T5 3b Ssm Nq

🚀 [Google的T5模型用於閉卷問答]

本項目基於Google的T5模型實現閉卷問答功能，通過在多個數據集上進行預訓練和微調，使模型能夠在不借助外部知識源的情況下回答問題，具有重要的實用價值。

🚀 快速開始

本模型可用於閉卷問答任務，以下是使用示例：

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

t5_qa_model = AutoModelForSeq2SeqLM.from_pretrained("google/t5-3b-ssm-nq")
t5_tok = AutoTokenizer.from_pretrained("google/t5-3b-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

• 模型基於T5架構，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的預訓練。
• 最後在Natural Questions (NQ)上進行微調。
• 模型在Natural Questions (NQ)的100%訓練分割集上進行了10000步的微調。

📚 詳細文檔

模型相關信息

其他社區檢查點

可在此處查看其他社區檢查點。

論文信息

• 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，使其在不訪問任何外部上下文或知識的情況下回答問題，來衡量這種方法的實際實用性。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，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的研究，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。

⚠️ 重要提示

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