Model Card of vocabtrimmer/mt5-small-trimmed-ru-10000-ruquad-qa
This model is fine-tuned version of vocabtrimmer/mt5-small-trimmed-ru-10000 for question answering task on the lmqg/qg_ruquad (dataset_name: default) via lmqg
.
Overview
- Language model: vocabtrimmer/mt5-small-trimmed-ru-10000
- Language: ru
- Training data: lmqg/qg_ruquad (default)
- Online Demo: https://autoqg.net/
- Repository: https://github.com/asahi417/lm-question-generation
- Paper: https://arxiv.org/abs/2210.03992
Usage
- With
lmqg
from lmqg import TransformersQG
# initialize model
model = TransformersQG(language="ru", model="vocabtrimmer/mt5-small-trimmed-ru-10000-ruquad-qa")
# model prediction
answers = model.answer_q(list_question="чем соответствует абсолютная погрешность скорости света ?", list_context=" Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")
- With
transformers
from transformers import pipeline
pipe = pipeline("text2text-generation", "vocabtrimmer/mt5-small-trimmed-ru-10000-ruquad-qa")
output = pipe("question: чем соответствует абсолютная погрешность скорости света ?, context: Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")
Evaluation
- Metric (Question Answering): raw metric file
Score | Type | Dataset | |
---|---|---|---|
AnswerExactMatch | 56.39 | default | lmqg/qg_ruquad |
AnswerF1Score | 76.94 | default | lmqg/qg_ruquad |
BERTScore | 95.54 | default | lmqg/qg_ruquad |
Bleu_1 | 47.61 | default | lmqg/qg_ruquad |
Bleu_2 | 41.64 | default | lmqg/qg_ruquad |
Bleu_3 | 36.04 | default | lmqg/qg_ruquad |
Bleu_4 | 30.64 | default | lmqg/qg_ruquad |
METEOR | 43.58 | default | lmqg/qg_ruquad |
MoverScore | 85.12 | default | lmqg/qg_ruquad |
ROUGE_L | 56.86 | default | lmqg/qg_ruquad |
Training hyperparameters
The following hyperparameters were used during fine-tuning:
- dataset_path: lmqg/qg_ruquad
- dataset_name: default
- input_types: ['paragraph_question']
- output_types: ['answer']
- prefix_types: None
- model: vocabtrimmer/mt5-small-trimmed-ru-10000
- max_length: 512
- max_length_output: 32
- epoch: 10
- batch: 32
- lr: 0.001
- fp16: False
- random_seed: 1
- gradient_accumulation_steps: 2
- label_smoothing: 0.15
The full configuration can be found at fine-tuning config file.
Citation
@inproceedings{ushio-etal-2022-generative,
title = "{G}enerative {L}anguage {M}odels for {P}aragraph-{L}evel {Q}uestion {G}eneration",
author = "Ushio, Asahi and
Alva-Manchego, Fernando and
Camacho-Collados, Jose",
booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
month = dec,
year = "2022",
address = "Abu Dhabi, U.A.E.",
publisher = "Association for Computational Linguistics",
}
- Downloads last month
- 7
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social
visibility and check back later, or deploy to Inference Endpoints (dedicated)
instead.
Dataset used to train vocabtrimmer/mt5-small-trimmed-ru-10000-ruquad-qa
Evaluation results
- BLEU4 (Question Answering) on lmqg/qg_ruquadself-reported30.640
- ROUGE-L (Question Answering) on lmqg/qg_ruquadself-reported56.860
- METEOR (Question Answering) on lmqg/qg_ruquadself-reported43.580
- BERTScore (Question Answering) on lmqg/qg_ruquadself-reported95.540
- MoverScore (Question Answering) on lmqg/qg_ruquadself-reported85.120
- AnswerF1Score (Question Answering) on lmqg/qg_ruquadself-reported76.940
- AnswerExactMatch (Question Answering) on lmqg/qg_ruquadself-reported56.390