|
--- |
|
language: |
|
- fa |
|
- multilingual |
|
thumbnail: "https://upload.wikimedia.org/wikipedia/commons/a/a2/Farsi.svg" |
|
tags: |
|
- multiple-choice |
|
- mbert |
|
- persian |
|
- farsi |
|
license: "CC BY-NC-SA 4.0" |
|
datasets: |
|
- parsinlu |
|
metrics: |
|
- accuracy |
|
--- |
|
|
|
# Multiple-Choice Question Answering (مدل برای پاسخ به سوالات چهار جوابی) |
|
|
|
This is a mbert-based model for multiple-choice question answering. |
|
Here is an example of how you can run this model: |
|
|
|
```python |
|
from transformers import bert-base-multilingual-uncased, bert-base-multilingual-uncasedTokenizer |
|
|
|
model_size = "small" |
|
model_name = f"persiannlp/mt5-base-parsinlu-multiple-choice" |
|
tokenizer = bert-base-multilingual-uncasedTokenizer.from_pretrained(model_name) |
|
model = bert-base-multilingual-uncasedForConditionalGeneration.from_pretrained(model_name) |
|
|
|
|
|
def run_model(input_string, **generator_args): |
|
input_ids = tokenizer.encode(input_string, return_tensors="pt") |
|
res = model.generate(input_ids, **generator_args) |
|
output = tokenizer.batch_decode(res, skip_special_tokens=True) |
|
print(output) |
|
return output |
|
|
|
|
|
run_model("وسیع ترین کشور جهان کدام است؟ <sep> آمریکا <sep> کانادا <sep> روسیه <sep> چین") |
|
run_model("طامع یعنی ؟ <sep> آزمند <sep> خوش شانس <sep> محتاج <sep> مطمئن") |
|
run_model( |
|
"زمینی به ۳۱ قطعه متساوی مفروض شده است و هر روز مساحت آماده شده برای احداث، دو برابر مساحت روز قبل است.اگر پس از (۵ روز) تمام زمین آماده شده باشد، در چه روزی یک قطعه زمین آماده شده <sep> روز اول <sep> روز دوم <sep> روز سوم <sep> هیچکدام") |
|
|
|
``` |
|
|
|
|
|
For more details, visit this page: https://github.com/persiannlp/parsinlu/ |
|
|
