Respuesta a Preguntas con Ajuste Fino
La Respuesta a Preguntas con Ajuste Fino adapta un gran modelo de lenguaje preentrenado — como BERT, RoBERTa o un modelo de la familia GPT — para responder preguntas en lenguaje natural sobre un pasaje de contexto o base de conocimiento dada. El modelo aprende a localizar fragmentos de respuesta o generar respuestas de formato libre continuando el entrenamiento con pares de preguntas y respuestas etiquetados después del preentrenamiento de propósito general.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
Fuentes
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171–4186. DOI: 10.18653/v1/N19-1423 ↗
- Rajpurkar, P., Zhang, J., Lopyrev, K., & Liang, P. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. Proceedings of EMNLP 2016, 2383–2392. DOI: 10.18653/v1/D16-1264 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/es/deep-learning/fine-tuned-question-answering
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Clasificación basada en BERTAprendizaje profundo↔ comparar
- Clasificación basada en BERT ajustadoAprendizaje profundo↔ comparar
- Resumen de texto ajustado mediante ajuste finoAprendizaje profundo↔ comparar
- Clasificación basada en RoBERTaAprendizaje profundo↔ comparar
- Incrutaciones de oracionesAprendizaje profundo↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →