This model is converted from the original BPR repo and fitted into Pyserini:
Ikuya Yamada, Akari Asai, and Hannaneh Hajishirzi. 2021. Efficient passage retrieval with hashing for open-domain question answering. arXiv:2106.00882.
Характеристики
- Контекст
- 512 токенов
- Параметры
- 137 млн
- Архитектура
- dpr · dense
Ссылки
bpr-nq-question-encoder
Плотный кодировщик вопросов BPR для поиска релевантных фрагментов в системах ответов на вопросы по открытым источникам.
159скачиваний за 30 дней0лайковвеса обновлены5 сен 2021
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Тесты пользователейпока нет
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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
castorini/bpr-nq-question-encoder — преобразованная модель из исходного репозитория BPR, адаптированная для работы с Pyserini. Она кодирует вопросы в плотные векторы для поиска релевантных фрагментов при ответах на вопросы по открытым источникам. Модель основана на архитектуре DPRQuestionEncoder и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов.
Модель предназначена для компонента поиска в системах open-domain question answering и использует подход BPR с хешированием для эффективного извлечения фрагментов. В карточке не указаны конкретные поддерживаемые естественные языки. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.
Сценарии применения
- кодирование вопросов для поиска по коллекции текстовых фрагментов
- поиск пассажей для системы open-domain question answering
- извлечение релевантных документов по вопросу пользователя
Ограничения
Контекст ограничен 512 токенами. Предоставленные сведения не уточняют поддерживаемые языки и лицензию.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейI.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- DPRQuestionEncoder
- Ревизия весов
- bf15a87