Характеристики

Контекст: 512 токенов
Параметры: 265 млн
Архитектура: bert · dense
Базовая модель: muRIL-squad
Опубликована: 11 дек 2023

Ссылки

Hugging Face

muRIL-squad-nep-translated-squad

suban244

Ответы на вопросыТекст → текст5 профессий

Дообученная BERT-модель для извлечения ответов на вопросы из текста.

10скачиваний за 30 дней0лайковвеса обновлены11 мар 2024

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

muRIL-squad-nep-translated-squad — модель для ответов на вопросы на основе архитектуры BERT, разработанная как дообученная версия suban244/muRIL-squad. Она предназначена для извлечения ответа из предоставленного текста и может применяться в системах поиска ответов по документам. Модель содержит 264,8 млн параметров и принимает контекст длиной до 512 токенов. Карточка указывает, что для дообучения использован неизвестный набор данных; сведений о лицензии и оценке качества нет.

Сценарии применения

поиск ответа на вопрос в предоставленном тексте
ответы на вопросы по документам
извлечение фактов из текстового контекста

Ограничения

Набор данных для дообучения неизвестен, а сведения об оценке качества и лицензии в карточке отсутствуют. Ограничение длины контекста составляет 512 токенов.

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 I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей

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

muRIL-squad-nep-translated-squad

This model is a fine-tuned version of suban244/muRIL-squad on an unknown dataset.

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: 1e-05
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
mixed_precision_training: Native AMP

Training results

Framework versions

Transformers 4.35.2
Pytorch 2.0.0
Datasets 2.1.0
Tokenizers 0.15.0

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: d80f2e4