/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
bert-finetuned-squad-3
Опубликована
4 авг 2023

bert-finetuned-squad-4

Ответы на вопросыТекст → текст6 профессий

Дообученная BERT-модель для извлечения ответов на вопросы из текста.

13скачиваний за 30 дней0лайковвеса обновлены4 авг 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

badokorach/bert-finetuned-squad-4 — модель BERT, дообученная автором на основе badokorach/bert-finetuned-squad-3 для ответов на вопросы по предоставленному тексту. В репозитории указано 135,5 млн параметров; модель использует архитектуру BertForQuestionAnswering, формат TensorFlow и контекст до 512 токенов.

Модель подходит для поиска ответа в контексте, например, для систем вопросов и ответов по документам. В карточке приведены значение Train Loss 0,0012 и 29-я эпоха, но не названы обучающий набор данных и результаты независимой оценки. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение ответа из абзаца по вопросу
  • вопросы и ответы по документам
  • поиск конкретного факта в тексте

Ограничения

Обучающий набор данных и подробные ограничения в карточке не описаны. Контекст ограничен 512 токенами.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

badokorach/bert-finetuned-squad-4

This model is a fine-tuned version of badokorach/bert-finetuned-squad-3 on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0012
  • Epoch: 29

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • optimizer: {'inner_optimizer': {'class_name': 'AdamWeightDecay', 'config': {'name': 'AdamWeightDecay', 'learning_rate': {'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 2e-05, 'decay_steps': 1950, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.01}}, 'dynamic': True, 'initial_scale': 32768.0, 'dynamic_growth_steps': 2000}
  • training_precision: mixed_float16

Training results

Train LossEpoch
0.02710
0.03571
0.03922
0.01493
0.01364
0.00925
0.01076
0.02757
0.02568
0.01849
0.011010
0.009911
0.005612
0.004913
0.011114
0.002415
0.003116
0.002817
0.002818
0.001719
0.001420
0.003721
0.001922
0.002423
0.001324
0.002225
0.001326
0.001527
0.000928
0.001229

Framework versions

  • Transformers 4.31.0
  • TensorFlow 2.12.0
  • Datasets 2.14.3
  • Tokenizers 0.13.3

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · question-answering

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
0daf037

0 моделей