Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 29 июн 2022

Ссылки

Hugging Face

bert-base-cased-finetuned-squad

ss756

Ответы на вопросыТекст → текст5 профессий

BERT, дообученная на SQuAD для извлечения ответов на вопросы из текста.

35скачиваний за 30 дней0лайковвеса обновлены4 июл 2022

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

ss756/bert-base-cased-finetuned-squad — модель BERT, дообученная на наборе SQuAD для ответов на вопросы по предоставленному тексту. В репозитории указаны 135,5 млн параметров, архитектура BertForQuestionAnswering, формат PyTorch и контекст до 512 токенов. Разработчик приводит значение loss 1,0081 на оценочной выборке.

Модель предназначена для извлечения ответа из контекста по вопросу, например для поиска фактов в документах или создания простого конвейера вопросно-ответного поиска. Она основана на bert-base-cased и распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и ограничения качества; обучение на SQuAD указывает на англоязычную задачу.

Сценарии применения

извлечение ответа на вопрос из абзаца
поиск фактов в англоязычных документах
ответы на вопросы по справочным текстам

Ограничения

Контекст ограничен 512 токенами. Модель обучена на SQuAD и предназначена для извлечения ответа из заданного текста; качество на других языках и типах данных не описано.

Для каких профессий подходит5

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

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-cased-finetuned-squad

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

Loss: 1.0081

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: 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: 1

Training results

Training Loss	Epoch	Step	Validation Loss
1.0071	1.0	22183	1.0081

Framework versions

Transformers 4.18.0
Pytorch 1.9.0+cu111
Datasets 2.1.0
Tokenizers 0.12.1

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: BertForQuestionAnswering
Ревизия весов: 4ee4277