Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Опубликована: 17 ноя 2023

Ссылки

Hugging Face

output

dewanshsinghchandel

Заполнение пропусковТекст → текст3 профессии

Дообученная модель BERT для предсказания замаскированных слов в тексте.

13скачиваний за 30 дней0лайковвеса обновлены17 ноя 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 заполнения пропусков в тексте. Она содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и обучалась на наборе данных WikiText. Контекст модели — до 512 токенов.

Модель подходит для подстановки слова или фрагмента текста вместо маскированного токена, например для восстановления пропусков в предложении. В карточке приведено значение loss 7,4872 на оценочном наборе, но подробностей об оценке и предполагаемых сценариях использования нет. Базовая модель в README не названа. Лицензия в доступных данных не указана.

Сценарии применения

подстановка пропущенного слова в предложение
восстановление замаскированных фрагментов текста
эксперименты с языковым моделированием на WikiText

Ограничения

README не описывает ограничения модели и приводит только значение loss 7,4872 без подробностей об оценочном наборе. Языки обучения и лицензия в доступных данных не указаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

output

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

Loss: 7.4872

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: 5e-05
train_batch_size: 5
eval_batch_size: 64
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 40
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
No log	1.0	75	7.8620
No log	2.0	150	7.4874
No log	3.0	225	7.4872

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: f37d125