/ Модель

Характеристики

Контекст
512 токенов
Параметры
306 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Базовая модель
mdeberta-v3-base
Опубликована
21 окт 2023

mdeberta-idkmrc

Ответы на вопросыТекст → текст6 профессий

Дообученная многоязычная модель DeBERTa V3 для извлечения ответов на вопросы из текста.

13скачиваний за 30 дней1лайквеса обновлены22 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

intanm/mdeberta-idkmrc — модель на архитектуре DeBERTa V2, дообученная на базе microsoft/mdeberta-v3-base для ответов на вопросы по тексту. Репозиторий содержит веса PyTorch; модель насчитывает 306 млн параметров и рассчитана на контекст до 512 токенов. В метаданных указан датасет rifkiaputri/idk-mrc, а README сообщает значение loss 1,6436 на оценочной выборке, но не приводит подробностей методики оценки.

Модель принимает текст вопроса и контекст и предназначена для извлечения ответа из текста. Базовая модель многоязычная, однако сведения о конкретных языках и качестве этой дообученной версии не приведены. Модель распространяется по лицензии MIT.

Сценарии применения

  • извлечение ответа из предоставленного контекста
  • ответы на вопросы по документам
  • поиск фактов в тексте по вопросу

Ограничения

README не описывает обучающие данные и ограничения, а метрика loss приведена без контекста методики оценки. Контекст ограничен 512 токенами.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mdeberta-idkmrc

This model is a fine-tuned version of microsoft/mdeberta-v3-base on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 1.6436

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: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 10

Training results

Training LossEpochStepValidation Loss
1.0741.011671.0261
0.71092.023340.8206
0.50883.035011.0899
0.37774.046681.0080
0.25855.058351.2647
0.20596.070021.4279
0.1767.081691.4197
0.1268.093361.6170
0.10179.0105031.6357
0.075110.0116701.6436

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
DebertaV2ForQuestionAnswering
Ревизия весов
2034f51

0 моделей