/ Модель

Характеристики

Контекст
512 токенов
Параметры
59,7 млн
Лицензия
MIT
Архитектура
mobilebert · dense
Базовая модель
mobilebert-uncased-squad-v2
Опубликована
16 ноя 2023

mobilebert-uncased-squad-v2-16-11-2

Ответы на вопросыТекст → текст5 профессий

Компактная англоязычная MobileBERT-модель для извлечения ответов на вопросы из текста.

12скачиваний за 30 дней0лайковвеса обновлены16 ноя 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

Это компактная модель MobileBERT для извлечения ответов на вопросы из текста. Она дообучена на базе csarron/mobilebert-uncased-squad-v2; автор карточки указывает неизвестный датасет дообучения. Модель содержит 59,7 млн параметров и рассчитана на контекст до 512 токенов. Формат весов — safetensors.

Модель предназначена для сценариев, где вопрос и текстовый фрагмент подаются вместе, а система извлекает из фрагмента ответ. В карточке приведён результат оценки: loss 16.1284; подробности набора оценки и методики не раскрыты. Лицензия — MIT.

Сценарии применения

  • извлечение ответа из текста по заданному вопросу
  • ответы на вопросы по коротким документам
  • поиск факта в тексте без генерации развёрнутого ответа

Ограничения

Контекст ограничен 512 токенами. Датасет дообучения указан как неизвестный, а опубликованная оценка loss не сопровождается описанием набора и методики оценки.

Для каких профессий подходит5

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

mobilebert-uncased-squad-v2-16-11-2

This model is a fine-tuned version of csarron/mobilebert-uncased-squad-v2 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 16.1284

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: 4
  • eval_batch_size: 4
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 25

Training results

Training LossEpochStepValidation Loss
No log1.04892.6193
1.46342.09783.0847
1.28843.014673.2589
1.15114.019563.9182
1.08095.024453.7122
1.0086.029344.5737
0.90487.034235.2430
0.74118.039125.4474
0.66689.044015.9275
0.55710.048907.8979
0.491211.053797.8582
0.40912.058688.1236
0.329313.063579.7170
0.340814.0684610.1125
0.251415.0733510.8043
0.204216.0782411.1361
0.20117.0831312.5571
0.184618.0880213.4892
0.158219.0929113.4029
0.118520.0978014.8577
0.104821.01026915.3951
0.125822.01075815.3019
0.076323.01124715.5361
0.068424.01173615.8837
0.066725.01222516.1284

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.1.0+cu118
  • Datasets 2.15.0
  • Tokenizers 0.15.0

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
MobileBertForQuestionAnswering
Ревизия весов
f250ea4

0 моделей