2025年最高の 474 個の質問応答システムツール

DistilBERTはBERTの軽量蒸留バージョンで、パラメータ数が40％減少し、速度が60％向上し、95％以上の性能を維持しています。このモデルはSQuAD v1.1データセットで微調整された質問応答専用バージョンです。

DistilBERTはBERTの軽量蒸留バージョンで、パラメータ数が40％減少し、速度が60％向上し、GLUEベンチマークテストでBERTの95％以上の性能を維持します。このモデルは質問応答タスク用に微調整されています。

TAPASはBERTアーキテクチャに基づく表質問応答モデルで、ウィキペディアの表データで自己監督方式により事前学習され、表内容に対する自然言語質問応答をサポート

t5-baseに基づく質問生成モデルで、答えとコンテキストを入力すると、対応する質問を出力します。

BERT-base-casedに基づく質問と回答のペアの評価モデルで、質問と回答が意味的に関連しているかどうかを判断するために使用されます。

MITライセンスに基づく文書質問応答モデルで、主にテスト目的で使用されます。

DPR(密集パッセージ検索)はオープンドメイン質問応答研究のためのツールとモデルです。このモデルはBERTベースの質問エンコーダーで、Natural Questions(NQ)データセットでトレーニングされています。

MobileBERTはBERT_LARGEの軽量化バージョンで、SQuAD2.0データセットで微調整された質問応答システムモデルです。

TAPASはTransformerベースの表質問応答モデルで、ウィキペディアの表データで自己教師あり学習により事前学習され、WTQなどのデータセットでファインチューニングされています。

BERTベースの密集パラグラフ検索(DPR)の質問エンコーダーで、オープンドメイン質問応答研究に使用され、複数のQAデータセットで訓練されています。

RoBERTa-baseモデルを法律契約の質問応答タスクで微調整したモデルで、法律契約の審査に特化して設計されています。

mDeBERTa-v3-baseをベースとした多言語質問応答モデルで、SQuAD2.0データセットでファインチューニングされています

T5-baseアーキテクチャでトレーニングされた回答認識型問題生成モデルで、テキスト内のハイライトされた回答部分に基づいて関連する質問を生成できます。

T5-baseをベースに訓練されたエンドツーエンドの質問生成モデルで、入力テキストから自動的に関連する質問を生成できます。

bert-large-uncasedアーキテクチャに基づき、SQuAD2.0データセットで微調整された質問応答モデル

これはELECTRAアーキテクチャに基づく大規模識別器モデルで、質問応答タスクのためにSQuAD2.0データセットでファインチューニングされており、回答あり・なしの両方の質問シナリオを処理できます。

これはDistilBERT-base-casedモデルをベースに、知識蒸留技術を用いてSQuAD v1.1データセットでファインチューニングされた質問応答モデルです。

BioBERT-v1.1を基にファインチューニングした生物医学分野のQAモデル

TAPASはTransformerアーキテクチャに基づくBERT類似モデルで、表データ処理に特化しており、ウィキペディア英語表データで自己教師あり方式で事前学習され、TabFactデータセットでファインチューニングされ、文が表内容に支持されるか反駁されるかを判断します。

このモデルはT5-baseアーキテクチャに基づき、SQuAD v1.1データセットで微調整され、質問生成タスクに特化しています。

Google BERT-Tinyアーキテクチャをベースに、SQuAD2.0 Q&Aデータセットでファインチューニングされた小型Q&Aモデルで、サイズはわずか16.74MB

これはELECTRAアーキテクチャに基づくクロスエンコーダモデルで、質問応答タスクにおける自然言語推論（NLI）に特化しており、与えられた質問が特定の段落で回答できるかどうかを判断します。

ALBERT base v2アーキテクチャに基づき、SQuAD v2データセットで微調整された質問応答モデルで、無回答の場合を含む読解タスクを得意とする。

TAPASは表形式データの対話型質問応答タスクを処理するために事前学習とファインチューニングを行った表ベースの質問応答モデルです。

COMETKiwiは機械翻訳の品質評価を行うモデルで、ソーステキストと翻訳テキストに基づいて品質スコアを出力できます。

Splinterは自己教師あり方式で事前学習された少数ショットQAモデルで、循環スパン選択（RSS）目標を用いて事前学習され、抽出型QAのスパン選択プロセスを模倣します。

BERTimbauベーシック版を微調整したポルトガル語QAモデルで、ポルトガル語SQUAD v1.1データセットでトレーニングされ、ポルトガル語のQAタスクに適しています。

これはDicta - ILのdictalm2.0 - instructモデルの微調整バージョンで、ヘブライ語の質問と回答のペアを生成するために特化しています。

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

TAPEXは、ニューラルSQLエグゼキュータを学習することでテーブル事前学習を行うモデルで、BARTアーキテクチャに基づき、表推論タスク向けに設計されています。

flan-t5-baseモデルをベースに、SQuAD2.0データセットでファインチューニングされた抽出型質問応答モデルで、無回答を含む質問ペアを処理可能

TAPASは表形式データに基づく質問応答モデルで、この小型バージョンはSQAデータセットでファインチューニングされており、対話シナリオにおける表形式質問応答タスクに適しています。

Dynamic-TinyBERTは高効率な質問応答モデルで、動的シーケンス長の縮減により推論効率を向上させ、高い正確性を維持しながら最大3.3倍の高速化を実現します。

BETOモデルを基に蒸留技術で最適化したスペイン語Q&Aモデルで、標準版より軽量で効率的

BioBERT v1.1 PubmedモデルをSQuAD V2データセットでファインチューニングしたQAモデルで、生物医学分野のQAタスク専用

TAPASは表質問応答タスク向けに最適化された小型Transformerモデルで、中間事前学習と複数データセットの連鎖的ファインチューニングにより表理解能力を実現

BERTベースのuncasedモデルをSQuAD1.1データセットでファインチューニングした質問応答システムモデル

BERTアーキテクチャに基づく表形式質問応答モデルで、中間事前学習により数値推論能力を強化し、SQAデータセットで微調整を行った。

RoBERTaベースの質問応答モデルで、与えられた質問と文脈から回答テキスト、範囲、信頼度スコアを推論するために特化しています。

これはXLM-RoBERTaアーキテクチャに基づく事前学習モデルで、マスク言語モデリングの目標で学習され、英語とロシア語の質問応答データセットで微調整されています。

CamemBERTをベースにしたフランス語質問応答モデルで、PIAF、FQuAD、SQuAD-FRの3つのフランス語質問応答データセットで微調整されました。

これはDistilBERTベース未エンコードモデルのINT8量子化バージョンで、質問応答タスク向けに設計されており、学習後静的量子化によりモデルサイズと推論速度が最適化されています。