ScholarGate
Assistente
Machine learningDeep learning / NLP / CV

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.

Abrir no MethodMindEm breveVídeoEm breveBaixar slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Mapa de métodos

A vizinhança de métodos relacionados — selecione um nó para explorar.

Fontes

  1. 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
  2. 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.

Comparar lado a lado

Referenciado por

ScholarGateFine-Tuned Question Answering (Fine-Tuned Pre-trained Language Model for Question Answering). Recuperado em 2026-06-15 de https://scholargate.app/pt/deep-learning/fine-tuned-question-answering · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026