# SQuAD優化

基於ModernBERT微調的問答模型，在SQuAD數據集上表現優異，適用於抽取式問答任務。

基於BART-base架構，在SQuAD數據集上進行微調的問答模型，適用於閱讀理解任務。

基於MobileBERT模型在SQuADv1問答數據集上微調的版本，針對問答任務優化

該模型是基於DeBERTa-base在SQuAD1數據集上微調後，又在adversarial_qa數據集上進一步微調的問答模型。

該模型是基於bert-base-uncased在SQuAD數據集上微調的問答模型

MobileBERT是BERT_LARGE的輕量化版本，採用瓶頸結構設計，在自注意力機制與前饋網絡之間實現平衡。本模型在SQuAD1.1數據集上微調，適用於問答任務。

基於ELECTRA-Large架構的兩階段訓練問答模型，先在合成對抗數據上訓練，再在SQuAD和AdversarialQA數據集上微調

該模型是基於distilroberta-base訓練的交叉編碼器，用於判斷給定段落是否能回答特定問題，在GLUE QNLI數據集上訓練。

基於電影語料庫進行領域自適應預訓練的RoBERTa基礎模型，通過調整模型頭部結構以執行SQuAD問答任務，能夠針對電影領域的問題進行回答。

該模型通過nn_pruning庫修剪，保留了32%原始權重，運行速度是原版的2.15倍，F1值83.22

這是一個基於ELECTRA架構的交叉編碼器模型，專門用於問答任務中的自然語言推理（NLI），判斷給定問題是否能由特定段落回答。