Librarian Bot: Add base_model information to model

#2
Files changed (1) hide show
  1. README.md +47 -51
README.md CHANGED
@@ -1,60 +1,52 @@
1
  ---
2
- license: apache-2.0
3
  language:
4
- - fr
 
5
  tags:
6
- - flan-t5
7
- - qa
8
- - lfqa
9
- - information retrieval
10
  datasets:
11
- - vblagoje/lfqa
12
  metrics:
13
- - rouge
14
- model-index:
15
- - name: flan-t5-large-lfqa-fr-v3
16
- results: []
17
  widget:
18
- - text: >-
19
- Please answer to the following question : Comment fonctionne un modèle de langue ? Que signifi un modèle
20
- de question réponse générative ? context : Les modèles de langage basés
21
- sur le deep learning sont des modèles dapprentissage automatique qui
22
- utilisent des techniques dapprentissage profond pour effectuer des tâches
23
- de langage.En traitement automatique des langues, un modèle de langage est
24
- un modèle statistique qui modélise la distribution de séquences de mots,
25
- plus généralement de séquences de symboles discrets (lettres, phonèmes,
26
- mots), dans une langue naturelle. Un modèle de langage peut par exemple
27
- prédire le mot suivant une séquence de mots1.BERT, GPT-3 et Bloom sont des
28
- modèles de langage.Les modèles de Question Réponse (QA) permette
29
- d'automatiser la réponse aux questions fréquemment posées en utilisant une
30
- base de connaissances (documents) comme contexte. Les réponses aux
31
- questions des clients peuvent être tirées de ces documents.Il existe
32
- différentes variantes de modèle de question réponse : question réponse
33
- extractive : le modèle extrait la réponse d'un contexte. Le contexte ici
34
- peut être un texte fourni, un tableau ou même du HTML ! Ceci est
35
- généralement résolu avec des modèles de type BERT. question réponse
36
- générative ouverte : le modèle génère du texte libre directement en
37
- fonction du contexte. question réponse générative fermée : dans ce cas,
38
- aucun contexte n'est fourni. La réponse est entièrement générée par un
39
- modèle.Les modèles de langage basés sur le deep learning sont des modèles
40
- dapprentissage automatique qui utilisent des techniques dapprentissage
41
- profond pour effectuer des tâches de langage.En traitement automatique des
42
- langues, un modèle de langage est un modèle statistique qui modélise la
43
- distribution de séquences de mots, plus généralement de séquences de
44
- symboles discrets (lettres, phonèmes, mots), dans une langue naturelle. Un
45
- modèle de langage peut par exemple prédire le mot suivant une séquence de
46
- mots.Les modèles de Question Réponse (QA) permette d'automatiser la
47
- réponse aux questions fréquemment posées en utilisant une base de
48
- connaissances (documents) comme contexte. Les réponses aux questions des
49
- clients peuvent être tirées de ces documents.Il existe différentes
50
- variantes de modèle de question réponse : question réponse extractive : le
51
- modèle extrait la réponse d'un contexte. Le contexte ici peut être un
52
- texte fourni, un tableau ou même du HTML ! Ceci est généralement résolu
53
- avec des modèles de type BERT. question réponse générative ouverte : le
54
- modèle génère du texte libre directement en fonction du contexte. question
55
- réponse générative fermée : dans ce cas, aucun contexte n'est fourni. La
56
- réponse est entièrement générée par un modèle.
57
- example_title: Les modèles de langage
58
  inference:
59
  parameters:
60
  max_length: 512
@@ -64,6 +56,10 @@ inference:
64
  do_sample: false
65
  num_beams: 8
66
  early_stopping: true
 
 
 
 
67
  ---
68
 
69
  <!-- This model card has been generated automatically according to the information the Trainer had access to. You
 
1
  ---
 
2
  language:
3
+ - fr
4
+ license: apache-2.0
5
  tags:
6
+ - flan-t5
7
+ - qa
8
+ - lfqa
9
+ - information retrieval
10
  datasets:
11
+ - vblagoje/lfqa
12
  metrics:
13
+ - rouge
 
 
 
14
  widget:
15
+ - text: 'Please answer to the following question : Comment fonctionne un modèle de
16
+ langue ? Que signifi un modèle de question réponse générative ? context : Les
17
+ modèles de langage basés sur le deep learning sont des modèles dapprentissage
18
+ automatique qui utilisent des techniques dapprentissage profond pour effectuer
19
+ des tâches de langage.En traitement automatique des langues, un modèle de langage
20
+ est un modèle statistique qui modélise la distribution de séquences de mots, plus
21
+ généralement de séquences de symboles discrets (lettres, phonèmes, mots), dans
22
+ une langue naturelle. Un modèle de langage peut par exemple prédire le mot suivant
23
+ une séquence de mots1.BERT, GPT-3 et Bloom sont des modèles de langage.Les modèles
24
+ de Question Réponse (QA) permette d''automatiser la réponse aux questions fréquemment
25
+ posées en utilisant une base de connaissances (documents) comme contexte. Les
26
+ réponses aux questions des clients peuvent être tirées de ces documents.Il existe
27
+ différentes variantes de modèle de question réponse : question réponse extractive
28
+ : le modèle extrait la réponse d''un contexte. Le contexte ici peut être un texte
29
+ fourni, un tableau ou même du HTML ! Ceci est généralement résolu avec des modèles
30
+ de type BERT. question réponse générative ouverte : le modèle génère du texte
31
+ libre directement en fonction du contexte. question réponse générative fermée
32
+ : dans ce cas, aucun contexte n''est fourni. La réponse est entièrement générée
33
+ par un modèle.Les modèles de langage basés sur le deep learning sont des modèles
34
+ dapprentissage automatique qui utilisent des techniques dapprentissage profond
35
+ pour effectuer des tâches de langage.En traitement automatique des langues, un
36
+ modèle de langage est un modèle statistique qui modélise la distribution de séquences
37
+ de mots, plus généralement de séquences de symboles discrets (lettres, phonèmes,
38
+ mots), dans une langue naturelle. Un modèle de langage peut par exemple prédire
39
+ le mot suivant une séquence de mots.Les modèles de Question Réponse (QA) permette d''automatiser
40
+ la réponse aux questions fréquemment posées en utilisant une base de connaissances
41
+ (documents) comme contexte. Les réponses aux questions des clients peuvent être
42
+ tirées de ces documents.Il existe différentes variantes de modèle de question
43
+ réponse : question réponse extractive : le modèle extrait la réponse d''un contexte.
44
+ Le contexte ici peut être un texte fourni, un tableau ou même du HTML ! Ceci est
45
+ généralement résolu avec des modèles de type BERT. question réponse générative
46
+ ouverte : le modèle génère du texte libre directement en fonction du contexte.
47
+ question réponse générative fermée : dans ce cas, aucun contexte n''est fourni.
48
+ La réponse est entièrement générée par un modèle. '
49
+ example_title: Les modèles de langage
 
 
 
 
 
50
  inference:
51
  parameters:
52
  max_length: 512
 
56
  do_sample: false
57
  num_beams: 8
58
  early_stopping: true
59
+ base_model: google/flan-t5-large
60
+ model-index:
61
+ - name: flan-t5-large-lfqa-fr-v3
62
+ results: []
63
  ---
64
 
65
  <!-- This model card has been generated automatically according to the information the Trainer had access to. You