/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense
Базовая модель
multilingual-cased-finetuned-luganda
Опубликована
13 сен 2023

multilingual-cased-finetuned-luganda-qa

Ответы на вопросыТекст → текст

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

8скачиваний за 30 дней0лайковвеса обновлены16 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 дообученная модель BERT для поиска ответа на вопрос в тексте, созданная на основе badokorach/multilingual-cased-finetuned-luganda и опубликованная пользователем badokorach. Модель предназначена для извлечения ответа из предоставленного текста по вопросу; заявленная настройка ориентирована на язык луганда.

Модель содержит 205,1 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. В карточке указаны формат PyTorch и дообучение на неизвестном наборе данных. Условия лицензии не приведены в доступных сведениях.

Сценарии применения

  • поиск ответа на вопрос в тексте на луганда
  • извлечение фактов из коротких документов
  • создание системы вопросов и ответов для материалов на луганда

Ограничения

Контекст ограничен 512 токенами; сведения о датасете обучения и оценке отсутствуют, поэтому качество на конкретных данных не подтверждено.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

multilingual-cased-finetuned-luganda-qa

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:

  • Loss: 0.0000

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: 15

Training results

Training LossEpochStepValidation Loss
0.0151.022150.0140
0.01032.044300.0057
0.01283.066450.0003
0.00854.088600.0004
0.01045.0110750.0051
0.00836.0132900.0020
0.00747.0155050.0025
0.00568.0177200.0000
0.00239.0199350.0001
0.003210.0221500.0000
0.000711.0243650.0000
0.000312.0265800.0000
0.001713.0287950.0000
0.000514.0310100.0000
0.000215.0332250.0000

Framework versions

  • Transformers 4.33.2
  • Pytorch 2.0.1+cu118
  • 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

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForQuestionAnswering
Ревизия весов
e2c8e34

0 моделей