语言:

• 英语
• 法语
• 罗马尼亚语
• 德语
• 多语言

功能示例:

• 文本: "翻译成德语: 我的名字是亚瑟" 示例标题: "翻译"
• 文本: "请回答以下问题。谁将成为下一位金球奖得主？" 示例标题: "问答"
• 文本: "问: 杰弗里·辛顿能和乔治·华盛顿对话吗？回答前请给出理由。" 示例标题: "逻辑推理"
• 文本: "请回答以下问题。氮的沸点是多少？" 示例标题: "科学知识"
• 文本: "回答以下是非题。你能在一条推文中写完整首俳句吗？" 示例标题: "是非题"
• 文本: "通过逐步推理回答以下是非题。你能在一条推文中写完整首俳句吗？" 示例标题: "推理任务"
• 文本: "问: (假或非假或假) 的结果是？答: 让我们一步步思考" 示例标题: "布尔表达式"
• 文本: "x的平方根是y的立方根。如果x=4，y的2次方是多少？" 示例标题: "数学推理"
• 文本: "前提: 在我这个年纪你可能已经学会了一个教训。假设: 三十岁前你会学到多少教训并不确定。前提是否蕴含假设？" 示例标题: "前提与假设"

标签:

• 文本生成

数据集:

• svakulenk0/qrecc
• taskmaster2
• djaym7/wiki_dialog
• deepmind/code_contests
• lambada
• gsm8k
• aqua_rat
• esnli
• quasc
• qed

许可证: apache-2.0

FLAN-T5 XL模型卡

目录

0. 摘要
1. 模型详情
2. 使用方法
3. 用途
4. 偏见、风险与限制
5. 训练详情
6. 评估
7. 环境影响
8. 引用

摘要

如果您已了解T5，那么FLAN-T5在各方面都更为出色。在参数量相同的情况下，这些模型额外微调了涵盖更多语言的1000多项任务。如摘要开头所述：

Flan-PaLM 540B在多个基准测试中实现了最先进的性能，例如在五样本MMLU上达到75.2%。我们还公开发布了Flan-T5检查点，即使与PaLM 62B等更大模型相比，也展现出强大的少样本性能。总体而言，指令微调是提升预训练语言模型性能和可用性的通用方法。

免责声明: 本模型卡内容由Hugging Face团队撰写，部分内容复制自T5模型卡。

模型详情

模型描述

详情参见原始google/flan-t5-xl