Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense

Ссылки

biobert-base-cased-v1.1-mnli

Классификация текстаТекст → label3 профессии

BioBERT-Base v1.1, дообученная на MNLI модель классификации текстовых фрагментов для задач вывода по биомедицинскому тексту.

629скачиваний за 30 дней1лайквеса обновлены19 мая 2021

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

dmis-lab/biobert-base-cased-v1.1-mnli — модель классификации текста, разработанная DMIS-Lab при Корейском университете. Это версия BioBERT-Base v1.1, дообученная на наборе MNLI для классификации отношений между текстовыми фрагментами, включая вывод о том, следует ли одна фраза из другой. Архитектура — BERT для последовательностной классификации; модель содержит 135,5 млн параметров и рассчитана на последовательности длиной до 512 токенов.

BioBERT основана на BERT-base-cased и адаптирована к биомедицинскому тексту посредством предварительного обучения на научных публикациях PubMed. Модель принимает текст и выдаёт метки классов. Её можно применять для классификации пар фраз в биомедицинском контексте; она не предназначена для генерации текста. Доступна в формате PyTorch. Лицензия этой конкретной версии в доступных источниках не подтверждена.

Сценарии применения

определение, следует ли гипотеза из биомедицинского утверждения
классификация отношений между парой медицинских фраз
оценка семантического соответствия двух фрагментов медицинского текста

Ограничения

Модель обучена для классификации и не предназначена для генерации текста; её контекст ограничен 512 токенами. Лицензия конкретного чекпойнта в проверенных источниках не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Автор не опубликовал карточку модели.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 324ddf7