/ Модель

Характеристики

Контекст
512 токенов
Параметры
38,5 млн
Лицензия
CC BY 4.0
Архитектура
t5 · dense
Опубликована
3 дек 2022

t5-small-squad-ae

Генерация текстаТекст → текст5 профессий

Небольшая англоязычная модель T5 для извлечения ответов из контекста, дообученная на lmqg/qg_squad.

224скачиваний за 30 дней0лайковвеса обновлены4 дек 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

lmqg/t5-small-squad-ae — модель семейства T5, разработанная сообществом lmqg и дообученная на английском наборе lmqg/qg_squad для извлечения ответа из контекста. Она принимает текст и формулирует извлечённый ответ; модель основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и имеет контекстное окно 512 токенов. Репозиторий предоставляет веса PyTorch.

В карточке приведены результаты оценки на lmqg/qg_squad: Answer Exact Match 56,15, Answer F1 68,06 и BERTScore 91,2. Модель подходит для извлечения ответов в конвейерах генерации вопросов и ответов по тексту. Лицензия — CC BY 4.0. Оценки относятся к указанному набору данных и сами по себе не гарантируют качество на других текстах.

Сценарии применения

  • извлечение ответа из заданного фрагмента текста
  • подготовка ответов для генерации вопросов по контексту
  • извлечение фактов из англоязычных учебных текстов

Ограничения

Оценка приведена только для lmqg/qg_squad, поэтому качество на других наборах и типах текста не установлено. Контекст ограничен 512 токенами.

Для каких профессий подходит5

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

Model Card of lmqg/t5-small-squad-ae

This model is fine-tuned version of t5-small for answer extraction on the lmqg/qg_squad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="en", model="lmqg/t5-small-squad-ae")

# model prediction
answers = model.generate_a("William Turner was an English painter who specialised in watercolour landscapes")

  • With transformers
from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/t5-small-squad-ae")
output = pipe("extract answers: <hl> Beyonce further expanded her acting career, starring as blues singer Etta James in the 2008 musical biopic, Cadillac Records. <hl> Her performance in the film received praise from critics, and she garnered several nominations for her portrayal of James, including a Satellite Award nomination for Best Supporting Actress, and a NAACP Image Award nomination for Outstanding Supporting Actress.")

Evaluation

ScoreTypeDataset
AnswerExactMatch56.15defaultlmqg/qg_squad
AnswerF1Score68.06defaultlmqg/qg_squad
BERTScore91.2defaultlmqg/qg_squad
Bleu_152.42defaultlmqg/qg_squad
Bleu_247.81defaultlmqg/qg_squad
Bleu_343.22defaultlmqg/qg_squad
Bleu_439.23defaultlmqg/qg_squad
METEOR42.5defaultlmqg/qg_squad
MoverScore80.92defaultlmqg/qg_squad
ROUGE_L67.58defaultlmqg/qg_squad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_squad
  • dataset_name: default
  • input_types: ['paragraph_sentence']
  • output_types: ['answer']
  • prefix_types: ['ae']
  • model: t5-small
  • max_length: 512
  • max_length_output: 32
  • epoch: 7
  • batch: 64
  • lr: 0.0001
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 1
  • label_smoothing: 0.15

The full configuration can be found at fine-tuning config file.

Citation

@inproceedings{ushio-etal-2022-generative,
    title = "{G}enerative {L}anguage {M}odels for {P}aragraph-{L}evel {Q}uestion {G}eneration",
    author = "Ushio, Asahi  and
        Alva-Manchego, Fernando  and
        Camacho-Collados, Jose",
    booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
    month = dec,
    year = "2022",
    address = "Abu Dhabi, U.A.E.",
    publisher = "Association for Computational Linguistics",
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
267f09a

0 моделей