Характеристики

Контекст: 512 токенов
Параметры: 32,4 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 5 янв 2023

Ссылки

Hugging Face

small-mlm-glue-mnli

muhtasham

Заполнение пропусковТекст → текст3 профессии

Компактная модель BERT для предсказания пропущенных слов в тексте.

15скачиваний за 30 дней1лайквеса обновлены5 янв 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

muhtasham/small-mlm-glue-mnli — дообученная модель семейства BERT для заполнения пропусков в тексте. Она основана на google/bert_uncased_L-4_H-512_A-8, содержит 32,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель доступна в формате PyTorch по лицензии Apache-2.0.

Карточка сообщает о дообучении на наборе данных, обозначенном как None, и приводит значение loss 2,8314 на оценочной выборке. Практический сценарий применения — предсказание замаскированных слов в тексте. Подробности о данных, методике обучения и ограничениях в карточке не раскрыты.

Сценарии применения

подстановка пропущенного слова в предложении
восстановление замаскированных токенов в тексте
создание примеров для задач fill-mask

Ограничения

В карточке не описаны обучающие данные и конкретные ограничения; приведённый результат оценки ограничен значением loss 2,8314 без дополнительных метрик или контекста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

small-mlm-glue-mnli

This model is a fine-tuned version of google/bert_uncased_L-4_H-512_A-8 on the None dataset. It achieves the following results on the evaluation set:

Loss: 2.8314

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: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: constant
num_epochs: 200

Training results

Training Loss	Epoch	Step	Validation Loss
3.0194	0.4	500	2.7922
3.0037	0.8	1000	2.8022
2.9388	1.2	1500	2.7826
2.915	1.6	2000	2.7838
2.8626	2.0	2500	2.7769
2.7908	2.4	3000	2.7829
2.789	2.8	3500	2.7933
2.7784	3.2	4000	2.8314

Framework versions

Transformers 4.26.0.dev0
Pytorch 1.13.0+cu116
Datasets 2.8.1.dev0
Tokenizers 0.13.2

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: ee2eed0