Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 10 янв 2024

Ссылки

Hugging Face

bert-finetuned-squad

merthacioglu

Ответы на вопросыТекст → текст6 профессий

Дообученная модель BERT для извлечения ответов на вопросы из текстового контекста.

8скачиваний за 30 дней0лайковвеса обновлены11 янв 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

merthacioglu/bert-finetuned-squad — модель на архитектуре BERT, дообученная для ответа на вопросы. Она принимает текст вопроса и контекст и предсказывает ответный фрагмент из контекста. Модель содержит 135,5 млн параметров и рассчитана на контекст длиной до 512 токенов.

Карточка связывает её с SQuAD, однако подробности о данных обучения, языках, оценках качества и рекомендованных сценариях не приведены. Модель опубликована в формате PyTorch; условия лицензии в доступных сведениях не указаны.

Сценарии применения

извлечение ответа из статьи по заданному вопросу
ответы на вопросы по справочным материалам
поиск фрагмента с ответом в документах
создание прототипа системы ответов по контексту

Ограничения

Контекст ограничен 512 токенами. README не содержит сведений об оценке качества, языках и лицензии.

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.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-finetuned-squad

This model is a fine-tuned version of merthacioglu/bert-finetuned-squad on the None dataset.

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: 3

Framework versions

Transformers 4.32.1
Pytorch 2.1.2
Datasets 2.12.0
Tokenizers 0.13.2

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: BertForQuestionAnswering
Ревизия весов: 9280382