Характеристики
- Контекст
- 512 токенов
- Параметры
- 212 млн
- Архитектура
- deberta-v2 · dense
- Опубликована
- 17 сен 2024
Ссылки
naturalquestionsShort_microsoft_deberta-v3-base_seed-1
Модель DeBERTa-v3-base, дообученная для извлечения коротких ответов на англоязычные вопросы по контексту в датасете Natural Questions.
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
utahnlp/naturalquestionsShort_microsoft_deberta-v3-base_seed-1 — дообученная модель семейства Microsoft DeBERTa-v3-base, опубликованная NLP-группой Университета Юты. Она предназначена для извлечения коротких ответов на вопросы по контексту в задаче Natural Questions.
Модель имеет около 211,6 млн параметров, использует архитектуру DeBERTa и поддерживает входной контекст длиной до 512 токенов. Это текстовая англоязычная модель для extractive question answering: она выбирает фрагмент ответа из предоставленного контекста, а не генерирует произвольный длинный ответ. Сильная сторона — специализированная настройка под короткие ответы Natural Questions; ограничения включают зависимость от качества и релевантности контекста, ограниченную длину входа и отсутствие подтвержденных сведений о поддержке других языков. Лицензия для этой производной модели в доступных источниках не указана.
Сценарии применения
- поиск короткого ответа на вопрос в веб-документе
- извлечение ответа из переданного контекста
- автоматическое тестирование систем question answering
- ответы на фактологические вопросы по англоязычному тексту
Ограничения
Модель рассчитана на англоязычные вопросы и контексты, ограничена контекстом до 512 токенов и выбирает ответы из текста, поэтому не предназначена для свободной генерации или надежного ответа без подходящего контекста.
Для каких профессий подходит5
Разделы каталога профессий, в задачах которых используется эта модель
Также подходит для
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Автор не опубликовал карточку модели.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · question-answering
Подбираем GPU…
- Класс архитектуры
- DebertaV2ForQuestionAnswering
- Ревизия весов
- 5862538