Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 6 авг 2026

Ссылки

Hugging Face

hf_question_answering_model

mingchi21

Ответы на вопросыТекст → текст6 профессий

Англоязычная дообученная DistilBERT для извлечения ответов на вопросы из текста в пределах контекста до 512 токенов.

7скачиваний за 30 дней0лайковвеса обновлены7 авг 2026

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

mingchi21/hf_question_answering_model — англоязычная модель DistilBERT, дообученная разработчиком на задаче question-answering. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться для поиска фактов в коротких текстовых фрагментах. Модель построена на DistilBertForQuestionAnswering, принимает текст и выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Веса опубликованы в формате safetensors.

В README приведено значение loss 1,6937 на evaluation set, но набор данных и методика оценки не описаны, поэтому по этому результату нельзя надёжно судить о качестве. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

извлечение ответа на вопрос из англоязычного фрагмента
поиск фактов в коротком документе
ответы на вопросы по предоставленному текстовому контексту

Ограничения

Данные обучения не описаны, а приведённый loss 1,6937 не сопровождается подробностями оценки, поэтому качество на практических задачах неясно. Контекст ограничен 512 токенами.

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hf_question_answering_model

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 1.6937

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: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss
No log	1.0	250	2.4815
2.7721	2.0	500	1.7894
2.7721	3.0	750	1.6937

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cu128
Datasets 4.0.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · question-answering

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForQuestionAnswering
Ревизия весов: 8cb3b12