from transformers import AutoTokenizer, AutoModelForQuestionAnswering
import torch 

tokenizer = AutoTokenizer.from_pretrained("SemViQA/vi-mrc-large-viwikifc")
model = AutoModelForQuestionAnswering.from_pretrained("SemViQA/vi-mrc-large-viwikifc")
claim = "Chiến tranh với Campuchia đã kết thúc trước khi Việt Nam thống nhất."
context = "Sau khi thống nhất, Việt Nam tiếp tục gặp khó khăn do sự sụp đổ và tan rã của đồng minh Liên Xô cùng Khối phía Đông, các lệnh cấm vận của Hoa Kỳ, chiến tranh với Campuchia, biên giới giáp Trung Quốc và hậu quả của chính sách bao cấp sau nhiều năm áp dụng. Năm 1986, Đảng Cộng sản ban hành cải cách đổi mới, tạo điều kiện hình thành kinh tế thị trường và hội nhập sâu rộng. Cải cách đổi mới kết hợp cùng quy mô dân số lớn đưa Việt Nam trở thành một trong những nước đang phát triển có tốc độ tăng trưởng thuộc nhóm nhanh nhất thế giới, được coi là Hổ mới châu Á dù cho vẫn gặp phải những thách thức như tham nhũng, tội phạm gia tăng, ô nhiễm môi trường và phúc lợi xã hội chưa đầy đủ. Ngoài ra, giới bất đồng chính kiến, chính phủ một số nước phương Tây và các tổ chức theo dõi nhân quyền có quan điểm chỉ trích hồ sơ nhân quyền của Việt Nam liên quan đến các vấn đề tôn giáo, kiểm duyệt truyền thông, hạn chế hoạt động ủng hộ nhân quyền cùng các quyền tự do dân sự."

inputs = tokenizer(claim, context, return_tensors="pt", truncation=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)
 
start_logits = outputs.start_logits
end_logits = outputs.end_logits
 
start_idx = torch.argmax(start_logits)
end_idx = torch.argmax(end_logits)
 
tokens = inputs["input_ids"][0][start_idx : end_idx + 1]
evidence = tokenizer.decode(tokens, skip_special_tokens=True)
print(evidence)
# evidence: 

Evaluation Results

We evaluate the model's performance in the QA-based approaches section without handling token lengths exceeding 512.

Method	ViWikiFC
ER	VC	Strict Acc	VC Acc	ER Acc	Time (s)
TF-IDF	InfoXLM_large	75.56	82.21	90.15	131
XLM-R_large	76.47	82.78	90.15	134
Ernie-M_large	75.56	81.83	90.15	144
BM25	InfoXLM_large	70.44	79.01	83.50	130
XLM-R_large	70.97	78.91	83.50	132
Ernie-M_large	70.21	78.29	83.50	141
SBert	InfoXLM_large	74.99	81.59	89.72	195
XLM-R_large	75.80	82.35	89.72	194
Ernie-M_large	75.13	81.44	89.72	203
QA-based approaches	VC
ViMRC_large	InfoXLM_large	77.28	81.97	92.49	3778
XLM-R_large	78.29	82.83	92.49	3824
Ernie-M_large	77.38	81.92	92.49	3785
InfoXLM_large	InfoXLM_large	78.14	82.07	93.45	4092
XLM-R_large	79.20	83.07	93.45	4096
Ernie-M_large	78.24	82.21	93.45	4102
LLM
Qwen2.5-1.5B-Instruct	51.03	65.18	78.96	7665
Qwen2.5-3B-Instruct	44.38	62.31	71.35	12123
LLM	VC
Qwen2.5-1.5B-Instruct	InfoXLM_large	66.14	76.47	78.96	7788
XLM-R_large	67.67	78.10	78.96	7789
Ernie-M_large	66.52	76.52	78.96	7794
Qwen2.5-3B-Instruct	InfoXLM_large	59.88	72.50	71.35	12246
XLM-R_large	60.74	73.08	71.35	12246
Ernie-M_large	60.02	72.21	71.35	12251
SER Faster (ours)	TVC (ours)
TF-IDF + ViMRC_large	Ernie-M_large	79.44	82.93	94.60	410
TF-IDF + InfoXLM_large	Ernie-M_large	79.77	83.07	95.03	487
SER (ours)	TVC (ours)
TF-IDF + ViMRC_large	InfoXLM_large	80.25	83.84	94.69	2731
XLM-R_large	80.34	83.64	94.69	2733
Ernie-M_large	79.53	82.97	94.69	2733
TF-IDF + InfoXLM_large	InfoXLM_large	80.68	83.98	95.31	3860
XLM-R_large	80.82	83.88	95.31	3843
Ernie-M_large	80.06	83.17	95.31	3891

About

Built by Dien X. Tran

For more details, visit the project repository.