/ Модель

Характеристики

Контекст
512 токенов
Параметры
65,7 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
20 апр 2026

algerianDeBERTa

Заполнение пропусковТекст → текст4 профессии

Компактный энкодер DeBERTa-v2 для восстановления замаскированных слов и дообучения на задачах обработки алжирской дарджа, Arabizi и франко-арабских текстов.

125скачиваний за 30 дней1лайквеса обновлены25 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

algerianDeBERTa — компактный энкодер DeBERTa-v2, разработанный 81melody и обученный с нуля как masked language model на алжирском корпусе. Модель содержит 65,7 млн параметров, использует собственный токенизатор с 30-тысячным словарём и поддерживает контекст до 512 токенов.

Модель предназначена для восстановления замаскированных слов и как основа для дообучения под задачи обработки алжирских текстов: классификацию тональности и намерений, распознавание сущностей, поиск и ранжирование. В обучающих данных представлены алжирская дарджа на арабском письме, Arabizi на латинице, французский язык, переключение между языками и некоторое количество современного литературного арабского. В описанных тестах тональности она показала около 96–98% macro-F1 модели DziriBERT при примерно вдвое меньшем размере.

Это базовая MLM-модель, а не чат-модель: она не предназначена для ответов на инструкции и обычно требует дообучения для прикладных задач. Данные из публичных сайтов и соцсетей могут отражать содержащиеся там предвзятость, сленг и токсичность; покрытие дарджа, Arabizi и французского сильнее, чем литературного арабского и тамазигхта, а региональные варианты представлены неравномерно. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в алжирской дарджа
  • дообучение классификатора тональности алжирских сообщений
  • классификация намерений в публикациях на алжирском диалекте
  • извлечение признаков из текстов на Arabizi и дарджа
  • дообучение модели для распознавания сущностей в алжирских текстах
  • создание моделей поиска и ранжирования для алжирских текстов

Ограничения

Это базовая MLM-модель, а не чат-модель; для большинства прикладных задач требуется дообучение. Качество может быть ниже на чистом литературном арабском, тамазигхте и недостаточно представленных региональных вариантах; обучающие данные из соцсетей могут содержать предвзятость и токсичность.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

algerianDeBERTa

algerianDeBERTa is a ~60M-parameter masked language model built specifically for the Algerian linguistic space. It was trained on a custom Algerian corpus with a purpose-built tokenizer, and is designed to be a small, fast, fine-tunable backbone for downstream Algerian NLP tasks (sentiment, intent, classification, retrieval, NER).

Headline: it matches ~96–98% of DziriBERT's macro-F1 on Algerian sentiment benchmarks while using ≈ half the parameters and half the memory (231 MB vs 475 MB).


Why another Algerian model?

Algerian is a genuinely hard, low-resource setting:

  • Three+ languages in one sentence — Arabic, French and Tamazight vocabulary mixed freely.
  • Two scripts — the same word is written in Arabic letters and in Latin "Arabizi" (e.g. wach rak / واش راك), often with digits standing in for sounds (3 = ع, 7 = ح, 9 = ق).
  • No standard orthography — spelling is phonetic and varies per writer and per region.

General multilingual models and even MSA-centric Arabic models underperform here. algerianDeBERTa tackles this with (1) a tokenizer learned directly on Algerian text and (2) DeBERTa-v2's disentangled attention, which is strong at modeling the messy, non-canonical token order of dialectal writing — all in a deliberately small footprint.


Highlights

ArchitectureDeBERTa-v2 encoder (disentangled attention, relative positions)
Size≈ 60M parameters · 231 MB (fp32) — about half of DziriBERT
TokenizerCustom fast tokenizer, 30k vocab, trained on Algerian Darja/Arabizi/French
LanguagesAlgerian Darja, Arabizi, French, MSA, code-switched
ObjectiveMasked Language Modeling (MLM), trained from scratch
Best forFine-tuning on Algerian classification / retrieval / token tasks

Performance vs DziriBERT

DziriBERT is the reference Transformer for Algerian dialect and the prior state of the art on Algerian text classification (it beats mBERT, AraBERT, CAMeLBERT, QARiB and MARBERT on these tasks). It is the right yardstick.

Both models were fine-tuned identically (same heads, same hyper-parameters , LR 2e-5, max length 128, seed 42, 85/15 split) on three Algerian sentiment datasets, and compared on macro-F1:

Macro-F1 comparison

DatasetDziriBERT (~124M)algerianDeBERTa (~60M)Retained
Herouini0.8190.78595.8%
DzSentiA0.8770.85997.9%
AbdouYT0.7900.76496.7%

DziriBERT keeps a small edge in raw macro-F1 (≈ 2–3 points), which is expected from a model with roughly twice the parameters. The point of algerianDeBERTa is the trade-off: near-parity quality at half the size.

Memory footprint

Memory footprint

ModelParametersOn-disk (fp32)
algerianDeBERTa≈ 60M231 MB
DziriBERT≈ 124M475 MB

That ~51% reduction in size means lower memory, faster inference, and cheaper fine-tuning — useful for edge deployment and for stacking the model into multi-stage pipelines.


How to use

Fill-mask

from transformers import pipeline

fill = pipeline("fill-mask", model="81melody/algerianDeBERTa")
fill("راني [MASK] بزاف اليوم")
fill("salam, wach rak [MASK]?")

Get embeddings / features

import torch
from transformers import AutoTokenizer, AutoModel

tok = AutoTokenizer.from_pretrained("81melody/algerianDeBERTa")
model = AutoModel.from_pretrained("81melody/algerianDeBERTa")

text = "نحب نشري دار في وهران"
inputs = tok(text, return_tensors="pt")
with torch.no_grad():
    out = model(**inputs)
# CLS / pooled representation
cls = out.last_hidden_state[:, 0]
print(cls.shape)  # (1, 512)

Fine-tune for classification

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tok = AutoTokenizer.from_pretrained("81melody/algerianDeBERTa")
model = AutoModelForSequenceClassification.from_pretrained(
    "81melody/algerianDeBERTa", num_labels=3
)
# then train with transformers.Trainer on your Algerian dataset

Model details

Hyper-parameterValue
Model typedeberta-v2 (DebertaV2ForMaskedLM)
Hidden size512
Layers12
Attention heads8
Intermediate size2048
Max sequence length512
Vocabulary size30,000
Position encodingrelative + absolute (disentangled attention, c2p + p2c)
Parameters≈ 60M
Precisionfp32

Training

Data

Pre-trained from scratch on a custom Algerian corpus (~115 MB of cleaned text) assembled from public Algerian web and social-media content, including ~45k YouTube comments. The corpus deliberately spans the full Algerian register:

  • Algerian Darja in Arabic script
  • Arabizi (Latin-script Algerian with digit substitutions)
  • French and French↔Arabic code-switching
  • some Modern Standard Arabic

Text was cleaned and normalized (deduplication, noise/boilerplate removal) before training. The tokenizer was trained on this same corpus so that frequent Darja/Arabizi sub-words get dedicated tokens instead of being shattered into bytes.

Procedure

SettingValue
ObjectiveMasked Language Modeling
Epochs2 (best checkpoint at ~1.7 epochs / 7,000 steps)
Batch size16
Peak learning rate3e-5 (with warmup)
Final held-out MLM loss3.40
Framework🤗 Transformers

Pretraining loss

The held-out masked-LM loss decreases steadily over training, from ~3.46 to 3.40.


Models built on algerianDeBERTa

ModelTask
81melody/algerianDeBERTa-realestate-intentBuyer / Seller / Irrelevant intent classification for Algerian real-estate posts
81melody/ouedkniss-search-crossencoderCross-encoder reranker for Algerian marketplace search

Intended uses & limitations

Intended uses

  • A base encoder to fine-tune on Algerian-dialect downstream tasks: sentiment, intent, topic/spam classification, NER, retrieval/reranking.
  • Masked-token infilling and feature extraction for Algerian text.

Limitations & biases

  • It is a base MLM, not an instruction-tuned or chat model — it does not "answer" prompts; it needs fine-tuning for most tasks.
  • Trained on public social-media text, so it can reflect the biases, slang, and toxicity present in that data.
  • Coverage is strongest for the Darja/Arabizi/French mix it was trained on; performance on pure MSA or on Tamazight may be weaker than dedicated models.
  • The corpus is region-skewed toward the dialects most common online; some regional variants are under-represented.

Citation

@misc{himeur2026algerianDeBERTa,
  title        = {algerianDeBERTa: A Compact DeBERTa-v2 Encoder Pre-trained from Scratch
                  for Algerian Darja, Arabizi and Code-Switching},
  author       = {Himeur, Ayoub},
  year         = {2026},
  publisher    = {Hugging Face},
  url          = {https://huggingface.co/81melody/algerianDeBERTa}
}

Acknowledgements

Benchmarked against DziriBERT (Abdaoui et al.), the prior state of the art for Algerian dialect modeling.


License

Released under the Apache 2.0 license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForMaskedLM
Ревизия весов
fe5bd15

0 моделей