Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 21 авг 2023

Ссылки

Hugging Face

QA_SYNTHETIC_DATA_ONLY_21_AUG_xlm-roberta-base

prajwalJumde

Ответы на вопросыТекст → текст3 профессии

Дообученная XLM-RoBERTa Base для извлечения ответов на вопросы из текста.

11скачиваний за 30 дней0лайковвеса обновлены21 авг 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

Модель Prajwal Jumde — дообученная версия XLM-RoBERTa Base для ответов на вопросы. Она использует плотную архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии MIT.

Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0007 на оценочной выборке, но не описывает методику оценки или предназначенные сценарии использования. XLM-RoBERTa поддерживает множество языков, однако конкретные языки и качество ответов этой версии в карточке не уточнены.

Сценарии применения

извлечение ответа на вопрос из предоставленного текста
создание прототипа системы ответов на вопросы
эксперименты с многоязычным вопросно-ответным поиском

Ограничения

Набор данных для дообучения и методика оценки не описаны, поэтому приведённый loss 0,0007 не позволяет судить о качестве на других данных. Для этой версии не указаны конкретные поддерживаемые языки и ограничения применения.

Для каких профессий подходит3

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 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

QA_SYNTHETIC_DATA_ONLY_21_AUG_xlm-roberta-base

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

Loss: 0.0007

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: 2
eval_batch_size: 2
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss
0.0509	1.0	9846	0.0072
0.0736	2.0	19692	0.0035
0.0165	3.0	29538	0.0042
0.0029	4.0	39384	0.0035
0.0228	5.0	49230	0.0024
0.0004	6.0	59076	0.0032
0.0	7.0	68922	0.0020
0.0009	8.0	78768	0.0003
0.0	9.0	88614	0.0005
0.0	10.0	98460	0.0007

Framework versions

Transformers 4.32.0.dev0
Pytorch 2.0.1+cu117
Datasets 2.14.4
Tokenizers 0.13.3

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: XLMRobertaForQuestionAnswering
Ревизия весов: 3121b0c