T5 Large Ssm Nq

🚀 Google T5 閉卷問答模型

本模型基於 Google 的 T5，專為閉卷問答任務而設計。它利用預訓練模型在無外部上下文或知識的情況下回答問題，展示了語言模型隱式存儲和檢索知識的能力。

🚀 快速開始

模型使用示例

本模型可按以下方式用於閉卷問答：

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

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

# should give "December 26, 1892" => close, but not correct.

✨ 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：能夠在無外部知識源的情況下，利用自然語言查詢隱式存儲和檢索知識。
• 模型規模可擴展性：性能隨模型規模的增大而提升。

📚 詳細文檔

數據集

• 預訓練數據集：C4、Wikipedia
• 微調數據集：Natural Questions (NQ)

模型微調細節

模型在 Natural Questions (NQ) 的 100% 訓練分割集上進行了 10k 步的微調。

其他社區檢查點

可在 此處 查看其他社區檢查點。

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回答問題，且不訪問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，這種方法的性能隨模型規模的增大而提升，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。為了便於復現和未來研究，我們在 https://goo.gle/t5-cbqa 上發佈了我們的代碼和訓練好的模型。

📄 許可證

本模型採用 Apache-2.0 許可證。