Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Архитектура: bert · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

bert-base-multilingual-cased-finetuned-squad

salti

Ответы на вопросыТекст → текст6 профессий

Многоязычная модель BERT для извлечения ответов на вопросы из текста, дообученная на SQuAD v1.1.

172скачиваний за 30 дней14лайковвеса обновлены21 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

Это многоязычная модель BERT, дообученная для извлечения ответов на вопросы из текста. Карточка указывает дообучение на SQuAD v1.1; в метаданных также перечислены наборы ARCD и XQuAD. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов.

Модель подходит для систем вопросов и ответов, где нужно найти фрагмент ответа в предоставленном контексте. В карточке приведены результаты на SQuAD, ARCD и XQuAD, включая оценки для английского, немецкого и арабского языков; метаданные характеризуют её как многоязычную. Веса доступны в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

поиск ответа на вопрос в заданном тексте
создание многоязычной системы вопросов и ответов
извлечение ответов из англоязычных документов
ответы по контексту на немецком и арабском языках

Ограничения

Контекст ограничен 512 токенами. Результаты заметно различаются между наборами: например, на ARCD карточка указывает F1 48,051, а приведённые оценки XQuAD зависят от языка.

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 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

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Multilingual BERT fine-tuned on SQuADv1.1

WandB run link

GPU: Tesla P100-PCIE-16GB

Training Arguments

max_seq_length              = 512
doc_stride                  = 256
max_answer_length           = 64
bacth_size                  = 16
gradient_accumulation_steps = 2
learning_rate               = 5e-5
weight_decay                = 3e-7
num_train_epochs            = 3
warmup_ratio                = 0.1
fp16                        = True
fp16_opt_level              = "O1"
seed                        = 0

Results

EM	F1
81.731	89.009

Zero-shot performance

on ARCD

EM	F1
20.655	48.051

on XQuAD

Language	EM	F1
Arabic	42.185	57.803
English	73.529	85.01
German	55.882	72.555
Greek	45.21	62.207
Spanish	58.067	76.406
Hindi	40.588	55.29
Russian	55.126	71.617
Thai	26.891	39.965
Turkish	34.874	51.138
Vietnamese	47.983	68.125
Chinese	47.395	58.928

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: 67e1c66