Muppet Roberta Large

🚀 Muppet：通過預微調實現的大規模多任務表示

RoBERTa大型模型

Muppet是RoBERTa大型模型的大規模多任務預微調版本。該模型在 這篇論文 中被首次提出。與roberta-base相比，它在廣泛的GLUE和問答任務中表現更優（具體細節可查看論文），在較小數據集上的提升尤為顯著。

注意：由於兼容性問題，此檢查點不包含預微調期間使用的分類/MRC頭部，因此在某些數據集上的性能可能略低於論文中報告的結果。

📚 詳細文檔

模型描述

RoBERTa是一個以自監督方式在大量英文數據語料庫上進行預訓練的Transformer模型。這意味著它僅在原始文本上進行預訓練，無需人工對文本進行任何標註（因此可以使用大量公開可用的數據），並通過自動流程從這些文本中生成輸入和標籤。

更準確地說，它是通過掩碼語言模型（MLM）目標進行預訓練的。對於一個輸入句子，模型會隨機掩碼其中15%的單詞，然後將整個掩碼後的句子輸入模型，並預測這些被掩碼的單詞。這與傳統的循環神經網絡（RNN）不同，RNN通常是逐個處理單詞；也與像GPT這樣的自迴歸模型不同，GPT會在內部掩碼未來的標記。這種方式使模型能夠學習句子的雙向表示。

通過這種方式，模型學習到英語語言的內部表示，可用於提取對下游任務有用的特徵。例如，如果您有一個帶標籤的句子數據集，可以使用BERT模型生成的特徵作為輸入，訓練一個標準的分類器。

預期用途和侷限性

您可以使用原始模型進行掩碼語言建模，但它主要用於在下游任務上進行微調。請查看 模型中心，以查找針對您感興趣的任務進行微調的版本。

請注意，此模型主要旨在針對使用整個句子（可能是掩碼後的句子）進行決策的任務進行微調，例如序列分類、標記分類或問答任務。對於文本生成等任務，您應該考慮使用像GPT2這樣的模型。

🔧 技術細節

評估結果

在下游任務上進行微調時，該模型取得了以下結果：

Glue測試結果：

BibTeX條目和引用信息

@article{DBLP:journals/corr/abs-2101-11038,
  author    = {Armen Aghajanyan and
               Anchit Gupta and
               Akshat Shrivastava and
               Xilun Chen and
               Luke Zettlemoyer and
               Sonal Gupta},
  title     = {Muppet: Massive Multi-task Representations with Pre-Finetuning},
  journal   = {CoRR},
  volume    = {abs/2101.11038},
  year      = {2021},
  url       = {https://arxiv.org/abs/2101.11038},
  archivePrefix = {arXiv},
  eprint    = {2101.11038},
  timestamp = {Sun, 31 Jan 2021 17:23:50 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2101-11038.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

📄 許可證

本項目採用MIT許可證。

⚠️ 重要提示

由於兼容性問題，此檢查點不包含預微調期間使用的分類/MRC頭部，因此在某些數據集上的性能可能略低於論文中報告的結果。

💡 使用建議

此模型主要用於在下游任務上進行微調。請查看 模型中心，以查找針對您感興趣的任務進行微調的版本。對於文本生成等任務，建議考慮使用像GPT2這樣的模型。