/ Модель

Характеристики

Контекст
512 токенов
Параметры
129 млн
Архитектура
bert · dense

qa-roberta-base-chinese-extractive

Ответы на вопросыТекст → текст3 профессии

Модель извлекает ответы на вопросы из китайского текста по заданному контексту.

66скачиваний за 30 дней9лайковвеса обновлены16 июл 2021

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

liam168/qa-roberta-base-chinese-extractive — модель для извлечения ответов на вопросы по китайскому тексту. Разработчик описывает её как QA-модель, дообученную на китайских текстовых данных; архитектура в метаданных указана как BERT с головой BertForQuestionAnswering. Модель содержит 129,5 млн параметров и поддерживает контекст до 512 токенов.

Модель предназначена для extractive question answering: на вход подаются вопрос и текстовый фрагмент, а на выходе выбирается ответ из этого фрагмента. Её можно применять для поиска фактов в китайских документах и ответов на вопросы по предоставленному контексту. README также называет базу RoBERTa-Base, но точный идентификатор базовой модели не указан. Лицензия в предоставленных данных отсутствует.

Сценарии применения

  • извлечение ответов из китайских документов
  • ответы на вопросы по китайским статьям и справочным текстам
  • поиск фактов в китайском тексте по вопросу

Ограничения

Контекст ограничен 512 токенами. Предоставленные сведения не описывают качество на конкретных наборах данных или лицензионные условия.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Chinese RoBERTa-Base Model for QA

Model description

用中文预料微调的QA模型.

Overview

  • Language model: RoBERTa-Base
  • Model size: 400M
  • Language: Chinese

How to use

You can use the model directly with a pipeline for extractive question answering:

>>> from transformers import AutoModelForQuestionAnswering,AutoTokenizer,pipeline
>>> context = '卡利亚·基拔(,)生于英国汉默史密斯,是一名英格兰籍职业足球员,于2010年夏季约满离开母会阿仙奴。直到2005/06年,基拔通常在阿仙奴的青年后备队效力。他在首次在2005年11月29日的联赛杯赛事上场,并于12月7日,在一个欧洲联赛冠军杯比赛对阿积士,作为替代左后卫,入替受伤的劳伦。2006年7月21日阿仙奴宣布,将基拔出借卡迪夫城整个2006-07赛季,其后转借给修安联。2008年1月3日返回阿仙奴授予46号码。2008年2月11日,阿仙奴的英超联赛比赛中对布莱克本作为后备球员。但2008年7月10日,基拔被出借莱斯特城的一个赛季之久。2009年3月3日主场对-{zh-hans:斯托克港;zh-hk:史托港}-,开赛后仅两分钟,基拔的传中球「挞Q」却直入网角,是他个人首个入球。基拔在外借期间成为常规正选,整季上阵达39场及射入1球,协助莱斯特城赢取英甲联赛冠军及重返英冠。2009/10年上半季仅于两场英格兰联赛杯及一场无关痛痒的欧联分组赛上阵,将于季后约满的基拔获外借到英冠榜末球会彼德堡直到球季结束,期间上阵10场。2010年夏季基拔约满阿仙奴成为自由球员,仅为母会合共上阵10场,英超「升班马」黑池有意罗致,其后前往-{zh-hans:谢菲尔德联; zh-hk:锡菲联;}-参加试训,惟未有获得录用。'
>>> mode_name = 'liam168/qa-roberta-base-chinese-extractive'
>>> model = AutoModelForQuestionAnswering.from_pretrained(mode_name)
>>> tokenizer = AutoTokenizer.from_pretrained(mode_name)
>>> QA = pipeline('question-answering', model=model, tokenizer=tokenizer)
>>> QA_input = {'question': "卡利亚·基拔的职业是什么?",'context': context}
>>> QA(QA_input)
    {'score': 0.9999, 'start': 20, 'end': 31, 'answer': '一名英格兰籍职业足球员'}

Contact

liam168520@gmail.com

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
4d2f870

0 моделей