能否仅基于问题与上下文微调BERT问答模型？

结论是可以，但要调整训练策略——因为标准BERT问答模型微调依赖带答案标注的数据，仅用问题+上下文属于弱监督训练场景，具体可采用以下几种方式：

• 对比学习框架：把匹配的问题-上下文对作为正样本，随机组合不相关的问题和上下文作为负样本，让模型学习判断问题与上下文的关联性，强化两者的语义匹配能力，为后续答案定位任务打基础。
• 完形填空式训练：将问题和上下文拼接后，随机mask上下文里的潜在答案片段，让模型根据问题预测被mask的内容，间接让模型学习“从上下文里定位问题对应信息”的逻辑。
• 否定式训练：随机在上下文里选取非答案区域，让模型学会识别这些区域不是问题的答案，辅助模型建立“什么不是答案”的认知，降低后续预测的错误率。

需要注意的是，这种无答案标注的微调效果远不如带答案起始/结束位置标注的数据集（比如SQuAD），因为模型没有直接学习“定位答案”的核心目标，更适合作为有监督微调的前置预热，或者只有无标注数据的应急场景。

内容的提问来源于stack exchange，提问作者Kev74