/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-multi-cased-finedtuned-xquad-tydiqa-goldp

Ответы на вопросыТекст → текст4 профессии

Многоязычная BERT-модель извлекает ответ на вопрос как фрагмент из заданного текста, содержащего ответ.

336скачиваний за 30 дней4лайкавеса обновлены22 мар 2023

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

mrm8488/bert-multi-cased-finedtuned-xquad-tydiqa-goldp — дообученная модель на базе mrm8488/bert-multi-cased-finetuned-xquadv1, созданная Manuel Romero. Она извлекает ответ на вопрос в виде непрерывного фрагмента из предоставленного отрывка, который гарантированно содержит ответ, и обучена для задачи Gold Passage датасета TyDi QA. Модель построена на архитектуре BERT, содержит 205,1 млн параметров и поддерживает контекст до 512 токенов.

Модель предназначена для многоязычного извлечения ответов. На dev-наборе TyDi QA в README указаны Exact Match 71,06 и F1 82,16. В репозитории представлены веса PyTorch, Flax и SafeTensors. Лицензия в предоставленных данных не описана.

Сценарии применения

  • извлечение ответа из релевантного отрывка Википедии
  • ответы на вопросы по многоязычным текстам
  • поиск точного фрагмента, подтверждающего ответ
  • оценка систем question answering на языках TyDi QA

Ограничения

Модель извлекает ответ только из отрывка, который уже содержит его, и не выполняет поиск по корпусу или генерацию свободного ответа. В постановке GoldP исключены неответимые вопросы, а тайский и японский не включены в оценивание из-за особенностей обработки текста.

Для каких профессий подходит4

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

A fine-tuned model on GoldP task from Tydi QA dataset

This model uses bert-multi-cased-finetuned-xquadv1 and fine-tuned on Tydi QA dataset for Gold Passage task (GoldP)

Details of the language model

The base language model (bert-multi-cased-finetuned-xquadv1) is a fine-tuned version of bert-base-multilingual-cased for the Q&A downstream task

Details of the Tydi QA dataset

TyDi QA contains 200k human-annotated question-answer pairs in 11 Typologically Diverse languages, written without seeing the answer and without the use of translation, and is designed for the training and evaluation of automatic question answering systems. This repository provides evaluation code and a baseline system for the dataset. https://ai.google.com/research/tydiqa

Details of the downstream task (Gold Passage or GoldP aka the secondary task)

Given a passage that is guaranteed to contain the answer, predict the single contiguous span of characters that answers the question. the gold passage task differs from the primary task in several ways:

  • only the gold answer passage is provided rather than the entire Wikipedia article;
  • unanswerable questions have been discarded, similar to MLQA and XQuAD;
  • we evaluate with the SQuAD 1.1 metrics like XQuAD; and
  • Thai and Japanese are removed since the lack of whitespace breaks some tools.

Model training

The model was fine-tuned on a Tesla P100 GPU and 25GB of RAM. The script is the following:

python run_squad.py \
  --model_type bert \
  --model_name_or_path mrm8488/bert-multi-cased-finetuned-xquadv1 \
  --do_train \
  --do_eval \
  --train_file /content/dataset/train.json \
  --predict_file /content/dataset/dev.json \
  --per_gpu_train_batch_size 24 \
  --per_gpu_eval_batch_size 24 \
  --learning_rate 3e-5 \
  --num_train_epochs 2.5 \
  --max_seq_length 384 \
  --doc_stride 128 \
  --output_dir /content/model_output \
  --overwrite_output_dir \
  --save_steps 5000 \
  --threads 40

Global Results (dev set):

Metric# Value
Exact71.06
F182.16

Specific Results (per language):

Language# Samples# Exact# F1
Arabic131473.2984.72
Bengali18064.6077.84
English65472.1282.24
Finnish103170.1480.36
Indonesian77377.2586.36
Korean41468.9270.95
Russian107962.6578.55
Swahili59680.1186.18
Telegu87471.0084.24

Created by Manuel Romero/@mrm8488

Made with ♥ in Spain

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
6fac158

0 моделей