Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: bert-base-uncased
Опубликована: 25 ноя 2023

Ссылки

Hugging Face

mcQA_model_bert

pallie

Классификация и разметкаТекст → label3 профессии

Дообученная модель BERT для выбора наиболее подходящего ответа из нескольких вариантов.

7скачиваний за 30 дней1лайквеса обновлены27 ноя 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

pallie/mcQA_model_bert — модель BERT, дообученная автором репозитория на неизвестном наборе данных для выбора ответа из нескольких вариантов. Она предназначена для задач multiple-choice, где по вопросу и вариантам ответа нужно определить наиболее подходящий. Модель основана на bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов.

Данные README сообщают точность 0,3204 и loss 1,3754 на оценочной выборке; из-за неизвестного набора данных эти результаты трудно интерпретировать. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

выбор правильного варианта ответа в тесте
ответы на вопросы с заданными вариантами
автоматическая проверка заданий с множественным выбором

Ограничения

Набор данных для дообучения неизвестен, а заявленная точность 0,3204 приведена без описания оценочной выборки и условий проверки. Модель рассчитана на последовательности длиной до 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mcQA_model_bert

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

Loss: 1.3754
Accuracy: 0.3204

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: 5e-05
train_batch_size: 4
eval_batch_size: 4
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
1.3998	1.0	812	1.3863	0.2737
1.3877	2.0	1624	1.3862	0.3089
1.3886	3.0	2436	1.3754	0.3204

Framework versions

Transformers 4.35.2
Pytorch 2.1.0+cu118
Datasets 2.15.0
Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · multiple-choice

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMultipleChoice
Ревизия весов: 7317ad4