2025年最佳的 474 个问答系统工具

DistilBERT是BERT的轻量级蒸馏版本，参数量减少40%，速度提升60%，保留95%以上性能。本模型是在SQuAD v1.1数据集上微调的问答专用版本。

DistilBERT是BERT的轻量级蒸馏版本，参数量减少40%，速度提升60%，在GLUE基准测试中保持BERT 95%以上的性能。本模型专为问答任务微调。

TAPAS是基于BERT架构的表格问答模型，通过自监督方式在维基百科表格数据上预训练，支持对表格内容进行自然语言问答

基于t5-base的问答生成模型，输入答案和上下文，输出相应问题

基于BERT-base-cased的问答对评估模型，用于判断问题和答案是否语义相关

一个基于MIT许可证的文档问答模型，主要用于测试目的。

DPR(密集段落检索)是用于开放领域问答研究的工具和模型。该模型是基于BERT的问题编码器，使用自然问题(NQ)数据集训练。

MobileBERT是BERT_LARGE的轻量化版本，在SQuAD2.0数据集上微调而成的问答系统模型。

TAPAS是一个基于Transformer的表格问答模型，通过自监督学习在维基百科表格数据上预训练，并在WTQ等数据集上微调。

基于BERT的密集段落检索(DPR)问题编码器，用于开放领域问答研究，在多个QA数据集上训练

基于RoBERTa-base模型在法律合同问答任务上微调的模型，专为法律合同审查设计

基于mDeBERTa-v3-base的多语言问答模型，在SQuAD2.0数据集上进行了微调

基于T5-base架构训练的答案感知问题生成模型，能够根据文本中的高亮答案片段生成相应问题。

基于T5-base训练的端到端问题生成模型，能够从输入文本中自动生成相关问题。

基于bert-large-uncased架构并在SQuAD2.0数据集上微调的问答模型

这是一个基于ELECTRA架构的大规模判别器模型，专门针对问答任务在SQuAD2.0数据集上进行了微调，能够处理有答案和无答案的问答场景。

这是一个基于DistilBERT-base-cased模型，通过知识蒸馏技术在SQuAD v1.1数据集上微调得到的问答模型。

基于BioBERT-v1.1微调的生物医学领域问答模型

TAPAS是基于Transformer架构的类BERT模型，专门用于处理表格数据，通过自监督方式在维基百科英文表格数据上预训练，并在TabFact数据集上微调，用于判断句子是否被表格内容支持或反驳。

该模型是基于T5-base架构，在SQuAD v1.1数据集上微调，专门用于问题生成任务。

基于Google BERT-Tiny架构，在SQuAD2.0问答数据集上微调的小型问答模型，体积仅16.74MB

这是一个基于ELECTRA架构的交叉编码器模型，专门用于问答任务中的自然语言推理（NLI），判断给定问题是否能由特定段落回答。

基于ALBERT base v2架构，在SQuAD v2数据集上微调的问答模型，擅长处理含无答案情况的阅读理解任务

TAPAS是一种基于表格的问答模型，通过预训练和微调处理表格数据的对话式问答任务。

COMETKiwi 是一个用于机器翻译质量评估的模型，能够根据源文本和翻译文本输出质量评分。

Splinter是一种通过自监督方式预训练的少样本问答模型，采用循环跨度选择（RSS）目标进行预训练，模拟抽取式问答中的跨度选择过程。

基于BERTimbau基础版微调的葡萄牙语问答模型，在葡萄牙语SQUAD v1.1数据集上训练，适用于葡萄牙语问答任务。

这是Dicta - IL的dictalm2.0 - instruct模型的微调版本，专门用于生成希伯来语的问答对。

基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。

TAPEX是一种通过神经SQL执行器学习的表格预训练模型，基于BART架构，专为表格推理任务设计。

基于flan-t5-base模型，使用SQuAD2.0数据集微调的抽取式问答模型，可处理包含无答案问题的问答对。

TAPAS是一种基于表格数据的问答模型，该微型版本在SQA数据集上微调，适用于对话场景下的表格问答任务。

Dynamic-TinyBERT是一种高效问答模型，通过动态序列长度缩减提升推理效率，在保持高准确率的同时实现最高3.3倍加速。

基于BETO模型通过蒸馏技术优化的西班牙语问答模型，比标准版更轻量高效

基于BioBERT v1.1 Pubmed模型在SQuAD V2数据集上微调的问答模型，专门用于生物医学领域的问答任务

TAPAS是一个针对表格问答任务优化的微型Transformer模型，通过中间预训练和多数据集链式微调实现表格理解能力

基于BERT基础uncased模型在SQuAD1.1数据集上微调的问答系统模型

基于BERT架构的表格问答模型，通过中间预训练增强数值推理能力，在SQA数据集上微调完成

基于RoBERTa的问答模型，专用于在给定问题和上下文的情况下推断答案文本、范围及置信度分数。

这是一个基于XLM-RoBERTa架构的预训练模型，采用掩码语言建模目标训练，并在英语和俄语问答数据集上进行了微调。

基于CamemBERT的法语问答模型，在PIAF、FQuAD和SQuAD-FR三个法语问答数据集上微调而成

这是DistilBERT基础未编码模型的INT8量化版本，专为问答任务设计，通过训练后静态量化优化了模型大小和推理速度。