/ Модель
Каталог

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
30 апр 2023

Ссылки

Hugging Face

mbert-squadv2

intanm
Ответы на вопросыТекст → текст5 профессий

Дообученная мультиязычная BERT-модель для поиска ответов на вопросы в предоставленном тексте, включая случаи без ответа.

19скачиваний за 30 дней0лайковвеса обновлены30 апр 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

intanm/mbert-squadv2 — модель на архитектуре BERT, дообученная автором на bert-base-multilingual-cased на наборе данных SQuAD v2 для ответов на вопросы по предоставленному тексту. Она предсказывает ответ на основе контекста и может сигнализировать, что в контексте ответа нет. Модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch.

Мультиязычная базовая модель позволяет применять её к текстам на нескольких языках; карточка не уточняет, на каких языках проводилось дообучение. На оценочной части SQuAD v2 указано значение Loss 0,9959, но других результатов и рекомендаций по использованию автор не приводит. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение ответа из текста по вопросу
  • ответы на вопросы по документу или фрагменту текста
  • определение, содержится ли ответ в контексте

Ограничения

Максимальная длина контекста составляет 512 токенов. Карточка приводит только Loss 0,9959 на оценочной части SQuAD v2 и не описывает ограничения или качество на других данных.

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 467моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mbert-squadv2

This model is a fine-tuned version of bert-base-multilingual-cased on the squad_v2 dataset. It achieves the following results on the evaluation set:

  • Loss: 0.9959

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: 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: 2

Training results

Training LossEpochStepValidation Loss
0.94591.081450.9588
0.69852.0162900.9959

Framework versions

  • Transformers 4.28.1
  • Pytorch 2.0.0+cu118
  • Datasets 2.12.0
  • Tokenizers 0.13.3

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
e6bd041

0 моделей

    Создать бенчмарк