/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense
Опубликована
11 сен 2023

multilingual-cased-finetuned-luganda

Ответы на вопросыТекст → текст3 профессии

Дообученная BERT-модель для поиска ответа на вопрос в тексте, с заявленной настройкой для лугандийского языка.

11скачиваний за 30 дней0лайковвеса обновлены12 сен 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 модель для ответов на вопросы на основе BERT, дообученная разработчиком badokorach. Она предназначена для извлечения ответа из текста по заданному вопросу. Размер модели — 205,1 млн параметров, максимальная длина контекста — 512 токенов; опубликован вариант в формате TensorFlow.

Название указывает на настройку для языка луганда, однако карточка не описывает обучающие данные, языковой охват, сценарии применения или результаты оценки. В README приведены нулевой validation loss и номер эпохи 0, поэтому эти значения не подтверждают качество модели. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение ответа из текста по вопросу на лугандийском языке
  • поиск ответа в коротком документе
  • ответы на вопросы по текстовому фрагменту

Ограничения

Обучающий датасет и подробные результаты оценки не описаны; приведённые в README validation loss 0.0 и epoch 0 не позволяют судить о качестве. Максимальный контекст составляет 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

badokorach/multilingual-cased-finetuned-luganda

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

  • Train Loss: 0.0609
  • Validation Loss: 0.0
  • Epoch: 0

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': {'module': 'keras.optimizers.schedules', 'class_name': 'PolynomialDecay', 'config': {'initial_learning_rate': 3e-05, 'decay_steps': 22140, 'end_learning_rate': 0.0, 'power': 1.0, 'cycle': False, 'name': None}, 'registered_name': None}, 'decay': 0.0, 'beta_1': 0.9, 'beta_2': 0.999, 'epsilon': 1e-08, 'amsgrad': False, 'weight_decay_rate': 0.02}
  • training_precision: mixed_float16

Training results

Train LossValidation LossEpoch
0.06090.00

Framework versions

  • Transformers 4.33.1
  • TensorFlow 2.13.0
  • Datasets 2.14.5
  • 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
02d2408

0 моделей