T5 Small Ssm Nq

🚀 Google T5閉卷問答模型

本項目基於Google的T5模型實現閉卷問答功能，利用預訓練和微調技術，讓模型能夠在不借助外部上下文或知識的情況下回答問題，為自然語言處理領域的問答任務提供了新的解決方案。

🚀 快速開始

該模型可按如下方式用於閉卷問答：

基礎用法

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

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

• 多階段訓練：模型先在C4上基於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。
• 知識存儲與檢索：能夠在不依賴外部知識源的情況下，利用自然語言查詢隱式地存儲和檢索知識。
• 性能隨模型規模提升：實驗結果表明，隨著模型規模的增大，問答性能也相應提高。

📚 詳細文檔

模型訓練信息

訓練細節

模型在Natural Questions (NQ)的100%訓練分割集上進行了10000步的微調。

其他社區檢查點

可在此處查看其他社區檢查點。

相關論文

論文標題：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

摘要

近期研究發現，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在不訪問任何外部上下文或知識的情況下回答問題，以此衡量這種方法的實際效用。我們表明，這種方法隨著模型大小的增加而擴展，並且在回答問題時與從外部知識源顯式檢索答案的開放域系統具有競爭力。為了便於重現和未來的工作，我們在https://goo.gle/t5-cbqa 發佈了我們的代碼和訓練好的模型。

📄 許可證

本項目採用Apache 2.0許可證。