| language: | |
| - fa | |
| - multilingual | |
| thumbnail: https://upload.wikimedia.org/wikipedia/commons/a/a2/Farsi.svg | |
| tags: | |
| - multiple-choice | |
| - mt5 | |
| - persian | |
| - farsi | |
| license: cc-by-nc-sa-4.0 | |
| datasets: | |
| - parsinlu | |
| - commonsenseqa | |
| - arc | |
| - openbookqa | |
| metrics: | |
| - accuracy | |
| # Multiple-Choice Question Answering (مدل برای پاسخ به سوالات چهار جوابی) | |
| This is a mT5-based model for multiple-choice question answering. | |
| Here is an example of how you can run this model: | |
| ```python | |
| from transformers import MT5ForConditionalGeneration, MT5Tokenizer | |
| model_size = "base" | |
| model_name = f"persiannlp/mt5-{model_size}-parsinlu-arc-comqa-obqa-multiple-choice" | |
| tokenizer = MT5Tokenizer.from_pretrained(model_name) | |
| model = MT5ForConditionalGeneration.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/ | |