Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: test-bert-2
Опубликована: 21 окт 2023

Ссылки

Hugging Face

test-bert-3

hung200504

Ответы на вопросыТекст → текст5 профессий

Дообученная BERT-модель для поиска ответов на вопросы в тексте, рассчитанная прежде всего на английский язык.

8скачиваний за 30 дней0лайковвеса обновлены21 окт 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

hung200504/test-bert-3 — дообученная модель на архитектуре BERT для извлечения ответов на вопросы из текста. Она основана на hung200504/test-bert-2 и содержит 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном фрагменте текста.

В README указан результат Loss 11,6031 на наборе оценки, но набор данных и подробности оценки не описаны. Базовая модель охарактеризована в каталоге как англоязычная, поэтому основным языком модели считается английский. Весы представлены в формате PyTorch; лицензия в предоставленных данных не указана.

Сценарии применения

извлечение ответа из текста по вопросу
ответы на вопросы по англоязычным документам
поиск фактических сведений в текстовом фрагменте

Ограничения

Данные обучения не описаны, а приведённое значение Loss 11,6031 само по себе не позволяет оценить практическое качество модели.

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 IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

IV.5Образование и развитие навыков

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

test-bert-3

This model is a fine-tuned version of hung200504/test-bert-2 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 11.6031

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

Training results

Training Loss	Epoch	Step	Validation Loss
10.6386	0.09	5	11.9162
10.5413	0.18	10	11.8580
10.0927	0.27	15	11.8059
10.4313	0.36	20	11.7598
10.3152	0.45	25	11.7196
10.4342	0.55	30	11.6852
9.8252	0.64	35	11.6565
9.7464	0.73	40	11.6349
10.1302	0.82	45	11.6187
9.95	0.91	50	11.6080
10.2359	1.0	55	11.6031

Framework versions

Transformers 4.34.1
Pytorch 2.1.0+cu118
Datasets 2.14.5
Tokenizers 0.14.1

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: BertForQuestionAnswering
Ревизия весов: a84147e