language: zh widget:

• text: "罗伯特·波义耳 \n 17世纪末，罗伯特·波义耳证明了空气是燃烧的必要条件。"

MixQG（基础规模模型）

MixQG是一种新型问题生成模型，通过混合多种答案类型的问答数据集进行预训练。该模型由论文《MixQG：混合答案类型的神经问题生成》提出，相关代码已在此代码库中发布。

使用方法

使用Huggingface管道抽象：

from transformers import pipeline

nlp = pipeline("text2text-generation", model='Salesforce/mixqg-base', tokenizer='Salesforce/mixqg-base')
    
CONTEXT = "17世纪末，罗伯特·波义耳证明了空气是燃烧的必要条件。"
ANSWER = "罗伯特·波义耳"

def format_inputs(context: str, answer: str):
    return f"{answer} \\n {context}"

text = format_inputs(CONTEXT, ANSWER)

nlp(text)
# 预期输出：[{'generated_text': '谁证明了空气是燃烧的必要条件？'}]

直接使用预训练模型：

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained('Salesforce/mixqg-base')
model = AutoModelForSeq2SeqLM.from_pretrained('Salesforce/mixqg-base')

CONTEXT = "17世纪末，罗伯特·波义耳证明了空气是燃烧的必要条件。"
ANSWER = "罗伯特·波义耳"

def format_inputs(context: str, answer: str):
    return f"{answer} \\n {context}"

text = format_inputs(CONTEXT, ANSWER)

input_ids = tokenizer(text, return_tensors="pt").input_ids
generated_ids = model.generate(input_ids, max_length=32, num_beams=4)
output = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
print(output)
# 预期输出："谁证明了空气是燃烧的必要条件？"

引用

@misc{murakhovska2021mixqg,
      title={MixQG：混合答案类型的神经问题生成}, 
      author={莉迪娅·穆拉霍夫斯卡和陈圣武及牛彤与刘文浩和熊才明},
      year={2021},
      eprint={2110.08175},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

伦理考量

本版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非针对所有下游用途专门设计或评估。我们强烈建议用户在部署前评估并解决可能涉及的准确性、安全性和公平性问题。我们鼓励用户考虑人工智能的普遍局限性，遵守适用法律，并在选择应用场景时采用最佳实践，特别是对于可能显著影响人们生活、权利或安全的高风险场景。有关应用场景的进一步指导，请参考我们的AUP和AI AUP。