T5 Xxl Ssm Tqa

🚀 GoogleのT5（クローズドブック質問応答用）

GoogleのT5を用いたクローズドブック質問応答モデルです。事前学習とファインチューニングを経て、質問に回答する能力を獲得しました。

🚀 クイックスタート

このモデルは、Google's T5 をベースに、クローズドブック質問応答のために訓練されています。まず、C4 データセットを用いてT5のノイズ除去目的で事前学習され、次に Wikipedia データセットを用いて REALM の顕著なスパンマスキング目的で追加の事前学習が行われ、最後に Trivia QA (TQA) データセットでファインチューニングされました。

注意: このモデルは、Trivia QA (TQA) の訓練データの100%を使って10ステップでファインチューニングされています。

他のコミュニティのチェックポイントは こちら です。

論文: How Much Knowledge Can You Pack Into the Parameters of a Language Model?

著者: Adam Roberts, Colin Raffel, Noam Shazeer

✨ 主な機能

このモデルは、外部のコンテキストや知識源にアクセスせずに質問に回答する能力を持っています。以下のデータセットを用いて訓練されています。

📚 ドキュメント

Trivia QA - テストセットでの結果

概要

最近の研究では、非構造化テキストで訓練されたニューラル言語モデルが、自然言語クエリを使って暗黙的に知識を保存し、取得できることが観察されています。この論文では、事前学習されたモデルをファインチューニングして、外部のコンテキストや知識にアクセスせずに質問に回答するアプローチの実用性を測定します。このアプローチはモデルサイズに応じて性能が向上し、質問に回答する際に外部の知識源から明示的に回答を取得するオープンドメインシステムと競合するレベルの性能を発揮します。再現性と将来の研究を促進するために、コードと訓練済みモデルを https://goo.gle/t5-cbqa で公開しています。

💻 使用例

基本的な使用法

このモデルは、以下のように クローズドブック質問応答 に使用できます。

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

t5_qa_model = AutoModelForSeq2SeqLM.from_pretrained("google/t5-xxl-ssm-tqa")
t5_tok = AutoTokenizer.from_pretrained("google/t5-xxl-ssm-tqa")

input_ids = t5_tok("When was Franklin D. Roosevelt born?", return_tensors="pt").input_ids
gen_output = t5_qa_model.generate(input_ids)[0]

print(t5_tok.decode(gen_output, skip_special_tokens=True))

📄 ライセンス

このモデルは apache-2.0 ライセンスの下で公開されています。