/ Модель

Характеристики

Контекст
512 токенов
Параметры
434 млн
Лицензия
Apache 2.0
Архитектура
electra · dense
Опубликована
2 мар 2022

electra-large-synqa

Ответы на вопросыТекст → текст

Англоязычная модель ELECTRA-Large для поиска ответов на вопросы в тексте, дообученная на синтетических и состязательных данных.

103скачиваний за 30 дней3лайкавеса обновлены15 июн 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

mbartolo/electra-large-synqa — модель ответа на вопросы на базе ELECTRA-Large, разработанная mbartolo. Её обучали в два этапа: сначала на синтетических состязательных примерах, сгенерированных BART-Large, затем дообучали на SQuAD и AdversarialQA. Модель предназначена для извлечения ответов из текста в сценариях вопросно-ответного поиска.

Модель содержит 433,9 млн параметров, использует архитектуру ELECTRA и принимает текст с контекстом длиной до 512 токенов. В карточке указана поддержка английского языка. Обучение на синтетических и состязательных вопросах ориентировано на устойчивость к сложным формулировкам. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение ответа на вопрос из заданного фрагмента текста
  • ответы на сложные вопросы по англоязычным документам
  • оценка систем поиска ответов на наборах SQuAD и AdversarialQA

Ограничения

Модель рассчитана на английский язык и ограничена контекстом до 512 токенов; её назначение — извлекать ответы из предоставленного текста, а не отвечать на произвольные вопросы без контекста.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Overview

This is an ELECTRA-Large QA Model trained from https://huggingface.co/google/electra-large-discriminator in two stages. First, it is trained on synthetic adversarial data generated using a BART-Large question generator, and then it is trained on SQuAD and AdversarialQA (https://arxiv.org/abs/2002.00293) in a second stage of fine-tuning.

Data

Training data: SQuAD + AdversarialQA Evaluation data: SQuAD + AdversarialQA

Training Process

Approx. 1 training epoch on the synthetic data and 2 training epochs on the manually-curated data.

Additional Information

Please refer to https://arxiv.org/abs/2104.08678 for full details. You can interact with the model on Dynabench here: https://dynabench.org/models/109

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
ElectraForQuestionAnswering
Ревизия весов
57a1e22

0 моделей