Create README.md

README.md

@@ -0,0 +1,48 @@
+---
+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/