Характеристики

Контекст: 514 токенов
Параметры: 454 млн
Лицензия: MIT
Архитектура: roberta · dense
Базовая модель: roberta-large
Опубликована: 11 июл 2024

Ссылки

Hugging Face

roberta-large-finetuned-squad

ozgurkk

Ответы на вопросыТекст → текст

Дообученная RoBERTa-large извлекает ответы на вопросы из англоязычного текста.

6скачиваний за 30 дней0лайковвеса обновлены11 июл 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

ozgurkk/roberta-large-finetuned-squad — модель RoBERTa-large, дообученная на наборе SQuAD для извлечения ответов из текста по вопросу. Она предназначена для сценариев, где вопрос и содержащий ответ контекст передаются модели совместно. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForQuestionAnswering и принимает контекст длиной до 514 токенов. Формат весов — safetensors.

Модель поддерживает англоязычный поиск ответов в контексте. В карточке приведён результат оценки: loss 0,6595; дополнительных сведений о качестве, ограничениях и обучающих данных README не содержит. Лицензия — MIT.

Сценарии применения

извлечение ответа из отрывка по вопросу
ответы на вопросы по англоязычным документам
поиск факта в тексте без генерации свободного ответа

Ограничения

Модель ограничена контекстом длиной до 514 токенов; сведения о качестве на других наборах данных и дополнительных ограничениях в карточке отсутствуют.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

roberta-large-finetuned-squad

This model is a fine-tuned version of FacebookAI/roberta-large on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.6595

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
gradient_accumulation_steps: 4
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 1
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
0.7381	0.9996	2059	0.6595

Framework versions

Transformers 4.41.2
Pytorch 2.3.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: RobertaForQuestionAnswering
Ревизия весов: 2f03dbf