Model Card of vocabtrimmer/mt5-small-trimmed-ru-90000-ruquad-qa

This model is fine-tuned version of ckpts/mt5-small-trimmed-ru-90000 for question answering task on the lmqg/qg_ruquad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="ru", model="vocabtrimmer/mt5-small-trimmed-ru-90000-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-90000-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

Score Type Dataset
AnswerExactMatch 53 default lmqg/qg_ruquad
AnswerF1Score 75 default lmqg/qg_ruquad
BERTScore 95.43 default lmqg/qg_ruquad
Bleu_1 49.65 default lmqg/qg_ruquad
Bleu_2 43.51 default lmqg/qg_ruquad
Bleu_3 37.97 default lmqg/qg_ruquad
Bleu_4 32.59 default lmqg/qg_ruquad
METEOR 42.23 default lmqg/qg_ruquad
MoverScore 84.88 default lmqg/qg_ruquad
ROUGE_L 56.49 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: ckpts/mt5-small-trimmed-ru-90000
  • max_length: 512
  • max_length_output: 32
  • epoch: 17
  • 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
10
Inference Examples
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-90000-ruquad-qa

Evaluation results

  • BLEU4 (Question Answering) on lmqg/qg_ruquad
    self-reported
    32.590
  • ROUGE-L (Question Answering) on lmqg/qg_ruquad
    self-reported
    56.490
  • METEOR (Question Answering) on lmqg/qg_ruquad
    self-reported
    42.230
  • BERTScore (Question Answering) on lmqg/qg_ruquad
    self-reported
    95.430
  • MoverScore (Question Answering) on lmqg/qg_ruquad
    self-reported
    84.880
  • AnswerF1Score (Question Answering) on lmqg/qg_ruquad
    self-reported
    75.000
  • AnswerExactMatch (Question Answering) on lmqg/qg_ruquad
    self-reported
    53.000