Question Answering Ajustado
Question Answering Fine-Tuned adapta um grande modelo de linguagem pré-treinado — como BERT, RoBERTa ou um modelo da família GPT — para responder a perguntas em linguagem natural sobre uma determinada passagem de contexto ou base de conhecimento. O modelo aprende a localizar trechos de resposta ou gerar respostas em formato livre, continuando o treinamento em pares de QA rotulados após o pré-treinamento de propósito geral.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Pre-trained Language Model for Question Answering. ScholarGate. https://scholargate.app/pt/deep-learning/fine-tuned-question-answering
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Classificação baseada em BERTAprendizado profundo↔ comparar
- Classificação Fina Ajustada Baseada em BERTAprendizado profundo↔ comparar
- Sumarização de Texto AjustadaAprendizado profundo↔ comparar
- Classificação baseada em RoBERTaAprendizado profundo↔ comparar
- Embeddings de SentençasAprendizado profundo↔ comparar
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →