Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Лицензия: MIT
Архитектура: roberta · dense
Опубликована: 10 авг 2022

Ссылки

Hugging Face

roberta-base-finetuned-squad

harveyagraphcore

Ответы на вопросыТекст → текст5 профессий

Дообученная на SQuAD модель RoBERTa извлекает ответы на вопросы из текста.

43скачиваний за 30 дней0лайковвеса обновлены11 авг 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

Это модель вопросно-ответной системы на базе RoBERTa, дообученная Harveyagraphcore на наборе данных SQuAD. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться, например, для поиска фактов в документах или ответов на вопросы по справочным материалам. Модель имеет архитектуру RoBERTa, содержит 151,8 млн параметров и принимает контекст длиной до 514 токенов. Доступна в формате PyTorch и распространяется по лицензии MIT.

Карточка не приводит подробных результатов оценки или рекомендаций по применению. Поэтому качество на текстах и языках, отличающихся от SQuAD, не подтверждено; также следует учитывать ограничение на длину входного контекста.

Сценарии применения

Поиск ответа на вопрос в тексте
Извлечение фактов из справочных документов
Ответы на вопросы по коротким статьям
Создание прототипа системы вопросно-ответного поиска

Ограничения

Контекст ограничен 514 токенами. Карточка не содержит сведений о результатах оценки и подтверждённой работе на языках или данных, отличающихся от SQuAD.

Для каких профессий подходит5

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 II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-base-finetuned-squad

This model is a fine-tuned version of roberta-base on the squad dataset.

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: 1
eval_batch_size: 1
seed: 42
distributed_type: IPU
gradient_accumulation_steps: 32
total_train_batch_size: 128
total_eval_batch_size: 20
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.25
num_epochs: 3
training precision: Mixed Precision

Training results

Framework versions

Transformers 4.18.0
Pytorch 1.10.0+cpu
Datasets 2.1.0
Tokenizers 0.12.1

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: PoptorchPipelinedRobertaForQuestionAnswering
Ревизия весов: 87e2089