Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: albert · dense
Опубликована: 28 апр 2022

Ссылки

Hugging Face

albert-base-v2-finetuned-squad

bdickson

Ответы на вопросыТекст → текст6 профессий

Дообученная на SQuAD модель ALBERT для извлечения ответов на вопросы из текстового контекста.

42скачиваний за 30 дней0лайковвеса обновлены28 апр 2022

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 ответов на вопросы, созданная дообучением albert-base-v2 на наборе данных SQuAD. Она принимает вопрос и текстовый фрагмент и предназначена для извлечения ответа из этого фрагмента. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и поддерживает контекст длиной до 512 токенов.

Модель подходит для систем поиска ответов по документам и текстам на английском языке, близким по стилю к SQuAD. В карточке приведены результаты оценки на тестовой выборке SQuAD, включая eval_loss 1.0191. Использование регулируется лицензией Apache-2.0.

Сценарии применения

извлечение ответа из текста по заданному вопросу
поиск фактов в англоязычных документах
создание системы ответов на вопросы по справочным материалам

Ограничения

Контекст ограничен 512 токенами, поэтому длинные документы нужно разбивать на фрагменты. Оценка приведена только для SQuAD; качество на других типах текстов в карточке не описано.

Для каких профессий подходит6

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

albert-base-v2-finetuned-squad

This model is a fine-tuned version of albert-base-v2 on the squad dataset. It achieves the following results on the evaluation set:

eval_loss: 1.0191
eval_runtime: 291.8551
eval_samples_per_second: 37.032
eval_steps_per_second: 2.316
epoch: 3.0
step: 16620

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: 5

Framework versions

Transformers 4.18.0
Pytorch 1.11.0+cu113
Datasets 2.1.0
Tokenizers 0.12.1

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: AlbertForQuestionAnswering
Ревизия весов: b1823ba