Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: CC BY 4.0
Архитектура: deberta-v2 · dense
Базовая модель: deberta-v3-base-squad2
Опубликована: 4 апр 2024

Ссылки

Hugging Face

FYP_sq2_mrqa

kxx-kkk

Ответы на вопросыТекст → текст6 профессий

Дообученная на MRQA модель DeBERTa извлекает ответы на вопросы из предоставленного текста.

17скачиваний за 30 дней0лайковвеса обновлены12 апр 2024

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

FYPsq2mrqa — модель для извлечения ответов на вопросы из заданного текста, разработанная на основе deepset/deberta-v3-base-squad2 и дообученная на наборе данных MRQA. Она использует архитектуру DeBERTa v3 в семействе DeBERTa v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и автоматизированного чтения текстов.

На оценочном наборе указано значение loss 2,0805. Карточка не раскрывает дополнительные сведения о составе MRQA, языках обучения или ограничениях качества. Лицензия модели — CC BY 4.0.

Сценарии применения

извлечение ответа из текста по вопросу
поиск ответов в документах
автоматизация чтения текстовых материалов
создание системы вопрос-ответ по корпусу документов

Ограничения

Контекст ограничен 512 токенами. В карточке приведён только loss 2,0805 на оценочном наборе без подробностей о метриках и языках данных.

Для каких профессий подходит6

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.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FYP_sq2_mrqa

This model is a fine-tuned version of deepset/deberta-v3-base-squad2 on MRQA dataset. It achieves the following results on the evaluation set:

Loss: 2.0805

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: 5e-06
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 1
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
3.2667	0.14	4000	2.6882
2.4457	0.27	8000	2.3556
2.2012	0.41	12000	2.1995
2.0871	0.55	16000	2.1129
2.0249	0.68	20000	2.1128
1.9939	0.82	24000	2.0941
1.9658	0.95	28000	2.0805

Framework versions

Transformers 4.39.3
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

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: 5ac50f0