T5 Xxl Ssm Nq

🚀 [Google的T5模型用於閉卷問答]

本項目使用Google的T5模型進行閉卷問答，該模型能在不借助外部知識源的情況下，利用預訓練存儲的知識回答問題，為問答系統提供了新的解決方案。

🚀 快速開始

本模型可按如下方式用於閉卷問答：

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

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

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))

✨ 主要特性

• 多階段預訓練：模型先在C4上使用T5的去噪目標進行預訓練，接著在Wikipedia上使用REALM的顯著跨度掩碼目標進行額外預訓練，最後在Natural Questions (NQ)上進行微調。
• 全量數據微調：模型在Natural Questions (NQ)的100%訓練分割數據上進行了10000步的微調。

📚 詳細文檔

模型相關鏈接

• Google的T5模型介紹
• 其他社區檢查點：點擊查看
• 論文：How Much Knowledge Can You Pack Into the Parameters of a Language Model?
• 作者：Adam Roberts, Colin Raffel, Noam Shazeer

自然問題測試集結果

模型摘要

最近的研究發現，在非結構化文本上訓練的神經語言模型可以使用自然語言查詢隱式地存儲和檢索知識。在這篇簡短的論文中，我們通過微調預訓練模型來回答問題，且不借助任何外部上下文或知識，以此衡量這種方法的實際效用。我們表明，這種方法隨著模型規模的增大而表現更好，並且在回答問題時，其性能與從外部知識源顯式檢索答案的開放域系統具有競爭力。為了便於復現和未來研究，我們在https://goo.gle/t5-cbqa 發佈了代碼和訓練好的模型。

數據集信息

重要提示

⚠️ 重要提示

該模型在Natural Questions (NQ)的100%訓練分割數據上進行了10000步的微調。

📄 許可證

本項目採用Apache 2.0許可證。