Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Архитектура: bert · dense
Опубликована: 16 мар 2022

Ссылки

Hugging Face

Part_1_mBERT_Model_E1

horsbug98

Ответы на вопросыТекст → текст5 профессий

Дообученная мультиязычная BERT-модель для извлечения ответов на вопросы из текстового контекста.

72скачиваний за 30 дней0лайковвеса обновлены16 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

horsbug98/Part_1_mBERT_Model_E1 — модель на архитектуре BERT для ответов на вопросы. Она дообучена на наборе tydiqa secondary_task от henryk/bert-base-multilingual-cased-finetuned-dutch-squad2; в репозитории указаны веса PyTorch и около 205,1 млн параметров. Модель принимает текст вопроса и контекста и предназначена для извлечения ответа из текста. Максимальная длина контекста составляет 512 токенов.

Карточка не описывает результаты оценки или специальные сценарии применения. Производная базовая модель мультиязычная и ориентирована на нидерландский, однако целевой языковой охват этого чекпойнта отдельно не уточнён. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из предоставленного текста
ответы на вопросы по документам
поиск факта в нидерландском тексте
создание прототипа системы вопросов и ответов

Ограничения

Контекст ограничен 512 токенами; карточка не содержит результатов оценки и не уточняет качество на отдельных языках. Лицензия в предоставленных данных не указана.

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

debug_bert_finetuned_dutch_task2_1

This model is a fine-tuned version of henryk/bert-base-multilingual-cased-finetuned-dutch-squad2 on the tydiqa secondary_task 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: 3e-05
train_batch_size: 12
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1.0

Training results

Framework versions

Transformers 4.15.0
Pytorch 1.9.1
Datasets 2.0.0
Tokenizers 0.10.3

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: 7a924df