/ Модель

Характеристики

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

bert-finetuned-squad-5

Ответы на вопросыТекст → текст6 профессий

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

10скачиваний за 30 дней0лайковвеса обновлены9 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

Модель badokorach/bert-finetuned-squad-5 — дообученная версия BERT для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для задач question answering. Модель содержит 135,5 млн параметров, поддерживает контекст длиной до 512 токенов и опубликована в формате TensorFlow.

В README указано, что модель дообучена на основе badokorach/bert-finetuned-squad-4, но датасет обучения не установлен; приведены значение Train Loss 0,0004 и 29 эпох обучения. Лицензия — Apache-2.0. Язык модели и качество на пользовательских данных в доступных сведениях не определены.

Сценарии применения

  • Извлечение ответа на вопрос из предоставленного контекста
  • Создание системы вопросно-ответного поиска по текстовым документам
  • Ответы на вопросы по отдельным фрагментам текста

Ограничения

Датасет обучения и поддерживаемые языки не установлены. Максимальная длина контекста — 512 токенов.

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-5

This model is a fine-tuned version of badokorach/bert-finetuned-squad-4 on an unknown dataset. It achieves the following results on the evaluation set:

  • Train Loss: 0.0004
  • 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: {'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}
  • training_precision: mixed_float16

Training results

Train LossEpoch
0.00280
0.03251
0.03142
0.02603
0.00924
0.01295
0.00746
0.00447
0.00368
0.00209
0.000910
0.005811
0.031212
0.006313
0.004114
0.002315
0.001416
0.002317
0.003818
0.001019
0.001820
0.000621
0.001022
0.000723
0.001224
0.000425
0.001326
0.000427
0.001528
0.000429

Framework versions

  • Transformers 4.31.0
  • TensorFlow 2.12.0
  • Datasets 2.14.4
  • 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
d9a270b

0 моделей