Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 25 июл 2023

Ссылки

Hugging Face

IOTNation_CompanyName_Extraction_QA_Model_1.2_Distilbert

chriskim2273

Ответы на вопросыТекст → текст

Дообученная DistilBERT-модель для извлечения названий компаний из контекста в формате ответов на вопросы.

7скачиваний за 30 дней0лайковвеса обновлены25 июл 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

IOTNation_CompanyName_Extraction_QA_Model_1.2_Distilbert — модель компании IOTNation, дообученная на базе distilbert/distilbert-base-uncased для извлечения ответов на вопросы, связанных с названием компании. Она принимает текст вопроса и контекста и возвращает найденный в контексте ответ. Модель построена на архитектуре DistilBERT, использует веса PyTorch и поддерживает контекст до 512 токенов.

Модель подходит для извлечения названий компаний из текстовых документов и ответов на вопросы по тексту. В карточке указана оценка loss 0.9943 на наборе для оценки, но сведения о данных и подробной оценке качества отсутствуют. Распространяется по лицензии Apache-2.0.

Сценарии применения

извлечение названия компании из документа
поиск компании в тексте по заданному вопросу
извлечение названий компаний из описаний и переписки

Ограничения

Контекст ограничен 512 токенами. Данные обучения не описаны, а указанная оценка loss сама по себе не позволяет судить о точности извлечения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

IOTNation_CompanyName_Extraction_QA_Model_1.2_Distilbert

This model is a fine-tuned version of distilbert-base-uncased on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.9943

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: 3e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Framework versions

Transformers 4.31.0
Pytorch 2.0.1+cu118
Datasets 2.14.0
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: DistilBertForQuestionAnswering
Ревизия весов: 97d2bf5