Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 12 авг 2023

Ссылки

Hugging Face

mBERT-IndoSQuADv2_1691852742-16-2e-06-0.01-5

rizquuula

Ответы на вопросыТекст → текст6 профессий

Дообученная многоязычная BERT-модель для извлечения ответов на вопросы из заданного текстового контекста.

9скачиваний за 30 дней0лайковвеса обновлены12 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

mBERT-IndoSQuADv2_1691852742-16-2e-06-0.01-5 — модель семейства BERT, дообученная на базе bert-base-multilingual-cased для ответа на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из этого контекста. В карточке приведён результат оценки: loss 1,8692; сведения о наборе данных и подробностях обучения отсутствуют.

Модель содержит 205,1 млн параметров, использует формат PyTorch и поддерживает контекст длиной до 512 токенов. Базовая модель многоязычная, однако язык дообучения и языки, проверенные при оценке, в карточке не определены. Лицензия — Apache-2.0.

Сценарии применения

извлечение ответа из текста по вопросу
ответы на вопросы по документам
поиск факта в текстовом фрагменте

Ограничения

В карточке не описаны обучающий датасет и ограничения модели; приведено только значение loss 1,8692 без подробностей протокола оценки. Контекст ограничен 512 токенами.

Для каких профессий подходит6

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mBERT-IndoSQuADv2_1691852742-16-2e-06-0.01-5

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

Loss: 1.8692

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-06
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss
2.2163	1.0	8145	2.0167
1.7866	2.0	16290	1.9174
1.6696	3.0	24435	1.8724
1.6033	4.0	32580	1.8688
1.5639	5.0	40725	1.8692

Framework versions

Transformers 4.30.2
Pytorch 2.0.0
Datasets 2.1.0
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: BertForQuestionAnswering
Ревизия весов: 15e66ae