Характеристики

Контекст: 512 токенов
Параметры: 162 млн
Архитектура: bert · dense
Базовая модель: bert-base-arabert
Опубликована: 13 мая 2024

Ссылки

Hugging Face

QA_FineTuned_Arabert

gp-tar4

Ответы на вопросыТекст → текст3 профессии

Дообученная на базе AraBERT модель BERT извлекает ответы на вопросы из арабского текста.

16скачиваний за 30 дней1лайквеса обновлены16 мая 2024

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

QAFineTunedArabert — дообученная модель gp-tar4 для извлечения ответов на вопросы из арабского текста. Она основана на aubmindlab/bert-base-arabert и использует архитектуру BERT с головой BertForQuestionAnswering; в модели 162,4 млн параметров, формат весов — safetensors, максимальный контекст — 512 токенов. В метаданных указан датасет ARCD, однако README описывает обучающий датасет как неизвестный, поэтому состав обучения нельзя установить однозначно.

Модель подходит для систем вопросов и ответов по арабским текстам, например для поиска ответа в предоставленном контексте. В README приведено значение loss 2,8357 на оценочном наборе, но отсутствуют подробности о методике оценки и практическом качестве. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа на вопрос из арабского отрывка
создание системы вопросов и ответов по арабским документам
поиск фактических ответов в арабских текстах

Ограничения

README не раскрывает обучающие данные, ограничения модели или методику оценки; указан только loss 2,8357. Практическое качество и лицензия по предоставленным сведениям не определяются.

Для каких профессий подходит3

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 467моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.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

QA_FineTuned_Arabert

This model is a fine-tuned version of aubmindlab/bert-base-arabert on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 2.8357

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: 0.0002
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
5.518	0.13	10	4.3573
4.254	0.27	20	3.8054
3.9915	0.4	30	3.5788
3.836	0.53	40	3.4054
3.6733	0.67	50	3.2506
3.4425	0.8	60	3.0882
3.2917	0.93	70	2.9934
2.9622	1.07	80	3.0029
2.3228	1.2	90	3.1190
2.4004	1.33	100	2.8613
2.3946	1.47	110	2.8983
2.3108	1.6	120	2.7711
2.3778	1.73	130	2.7062
2.3335	1.87	140	2.9916
2.4273	2.0	150	2.6713
1.4165	2.13	160	2.8003
1.1488	2.27	170	2.7959
1.2044	2.4	180	3.1311
1.2715	2.53	190	2.8319
1.1309	2.67	200	2.8048
1.3421	2.8	210	2.8158
0.9567	2.93	220	2.8357

Framework versions

Transformers 4.39.3
Pytorch 2.1.2
Datasets 2.18.0
Tokenizers 0.15.2

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: BertForQuestionAnswering
Ревизия весов: 11eb2d6