Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-finetuned-squad-7
Опубликована: 8 окт 2023

Ссылки

Hugging Face

bert-finetuned-squad-7-finetuned-081023

badokorach

Ответы на вопросыТекст → текст5 профессий

Дообученная на SQuAD модель BERT извлекает ответы на вопросы из текстового контекста длиной до 512 токенов.

8скачиваний за 30 дней0лайковвеса обновлены9 окт 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-7-finetuned-081023 — дообученная версия BERT для ответов на вопросы по текстовому контексту. Она предназначена для сценариев, где вместе с вопросом подаётся текст, из которого модель извлекает ответ. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов.

Модель дообучена на наборе данных SQuAD и опубликована под лицензией Apache-2.0. В карточке приведено значение loss 1,1157 на оценочном наборе. Язык данных и другие ограничения качества в источниках не описаны.

Сценарии применения

извлечение ответа из предоставленного текста
ответы на вопросы по статьям и справочным материалам
поиск фактов в текстовом контексте
создание прототипа системы вопросов и ответов

Ограничения

Ограничение контекста составляет 512 токенов. Языковое покрытие и дополнительные ограничения качества не описаны.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-squad-7-finetuned-081023

This model is a fine-tuned version of badokorach/bert-finetuned-squad-7 on the squad dataset. It achieves the following results on the evaluation set:

Loss: 1.1157

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:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1

Training results

Training Loss	Epoch	Step	Validation Loss
0.5745	1.0	5546	1.1157

Framework versions

Transformers 4.34.0
Pytorch 2.0.1+cu118
Datasets 2.14.5
Tokenizers 0.14.1

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForQuestionAnswering
Ревизия весов: eddaf8b