/ Модель
Каталог

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
9 мар 2022

Ссылки

Hugging Face

toy

datarpit
Ответы на вопросыТекст → текст4 профессии

Дообученная DistilBERT-модель для извлечения ответов на вопросы из текста.

43скачиваний за 30 дней0лайковвеса обновлены10 мар 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

datarpit/toy — модель на базе DistilBERT, дообученная для ответа на вопросы. Карточка сообщает, что для обучения использовался набор данных с названием None; дополнительных сведений о данных и назначении не приводит.

Модель предназначена для задачи question answering. Архитектура — DistilBertForQuestionAnswering; формат весов — PyTorch, максимальный контекст — 512 токенов. По идентификатору базовой модели это англоязычная версия distilbert-base-uncased.

В README приведено значение loss 0,2124 на оценочном наборе, но не описаны метрика, протокол оценки и ограничения качества. Лицензия — Apache-2.0.

Сценарии применения

  • поиск ответа на вопрос в предоставленном тексте
  • извлечение фактов из англоязычного документа
  • ответы на вопросы по фрагменту статьи
  • создание прототипа системы вопросно-ответного поиска

Ограничения

README не описывает обучающий набор данных и не приводит подробные результаты или условия оценки; указанное значение loss само по себе не позволяет оценить качество в реальных сценариях. Контекст ограничен 512 токенами.

Для каких профессий подходит4

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 467моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

toy

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: 0.2124

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: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 50

Training results

Training LossEpochStepValidation Loss
0.47981.02310.2252
0.33782.04620.1777
0.10243.06930.1586
0.07364.09240.1664
0.12375.011550.1692
0.10496.013860.1818
0.02397.016170.2127
0.00368.018480.1888
0.00519.020790.2061
0.000310.023100.1905
0.000511.025410.2011
0.000312.027720.1928
0.002913.030030.2563
0.000214.032340.2076
0.000215.034650.1980
0.000116.036960.2013
0.000117.039270.2089
0.000118.041580.1984
0.000119.043890.2017
0.000120.046200.2013
0.000121.048510.2142
0.000122.050820.1943
0.000123.053130.2003
0.024.055440.2015
0.000125.057750.2031
0.000226.060060.2600
0.002227.062370.2269
0.028.064680.2125
0.029.066990.2172
0.030.069300.2185
0.031.071610.2004
0.032.073920.2077
0.033.076230.2333
0.000334.078540.2102
0.035.080850.2095
0.036.083160.2030
0.037.085470.2038
0.038.087780.2062
0.039.090090.2080
0.040.092400.2083
0.041.094710.2063
0.042.097020.2146
0.043.099330.2168
0.044.0101640.2112
0.045.0103950.2109
0.046.0106260.2116
0.047.0108570.2122
0.048.0110880.2122
0.049.0113190.2124
0.050.0115500.2124

Framework versions

  • Transformers 4.17.0
  • Pytorch 1.10.0
  • Datasets 1.18.3
  • Tokenizers 0.11.6

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
9ffd6ea

0 моделей

    Создать бенчмарк