/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
10 мар 2022

lvbert

ЭмбеддингиТекст → embedding8 профессий

Регистрозависимая латышская BERT-модель для получения контекстных представлений и дообучения на задачах понимания текста.

516скачиваний за 30 дней5лайковвеса обновлены1 мая 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

LVBERT — регистрозависимая модель BERT-base для латышского языка, разработанная AiLab-IMCS и представленная в исследовательской работе; текущий репозиторий содержит улучшенную версию модели. Она предварительно обучена на корпусах современного латышского языка, латышской Википедии, новостных статьях и комментариях — суммарно примерно на 500 млн токенов. Обучение использовало masked language modeling и next sentence prediction.

Модель имеет архитектуру BERT-base с 12 слоями, 768 скрытыми единицами, 12 головами внимания и контекстом до 512 токенов. Для токенизации используется словарь из 32 тысяч токенов в формате WordPiece, полученный из SentencePiece. Модель предназначена для дообучения на задачах понимания латышского текста, включая классификацию, распознавание именованных сущностей и ответы на вопросы; без дообучения её можно применять для получения контекстных представлений, поиска по смыслу, сравнения текстов и кластеризации. Доступна в форматах PyTorch и Safetensors.

Модель выпущена под лицензией Apache-2.0. Она ориентирована на латышский язык и ограничена контекстом в 512 токенов; качество на задачах зависит от используемых данных и дообучения.

Сценарии применения

  • получение эмбеддингов латышских текстов
  • семантический поиск по латышским документам
  • поиск похожих латышских текстов
  • кластеризация латышских текстов
  • дообучение для классификации латышских текстов
  • распознавание именованных сущностей в латышском тексте
  • ответы на вопросы по латышским текстам

Ограничения

Контекст ограничен 512 токенами; модель ориентирована на латышский язык и для downstream-задач обычно требует дообучения.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Latvian BERT base model (cased)

A BERT model pretrained on Latvian language data using the masked language modeling and next sentence prediction objectives. It was introduced in this paper and first released via a GitHub repository. The current HF repository contains an improved version of LVBERT.

This model is case-sensitive. It is primarily intended to be fine-tuned on downstream natural language understanding tasks like text classification, named entity recognition, question answering. However, the model can be used as is to compute contextual embeddings for tasks like text similarity and clustering, semantic search.

Training data

LVBERT was pretrained on texts from the Balanced Corpus of Modern Latvian, Latvian Wikipedia, Corpus of News Portal Articles, as well as Corpus of News Portal Comments; around 500M tokens in total.

Tokenization

A SentencePiece model was trained on the training dataset, producing a vocabulary of 32,000 tokens. It was then converted to the WordPiece format used by BERT.

Pretraining

We used the BERT-base configuration with 12 layers, 768 hidden units, 12 heads, 512 sequence length, 128 mini-batch size and 32k token vocabulary.

Citation

Please cite this paper if you use LVBERT:

@inproceedings{Znotins-Barzdins:2020:BalticHLT,
  author = {Arturs Znotins and Guntis Barzdins},
  title = {{LVBERT: Transformer-Based Model for Latvian Language Understanding}},
  booktitle = {Human Language Technologies - The Baltic Perspective},
  series = {Frontiers in Artificial Intelligence and Applications},
  volume = {328},
  publisher = {IOS Press},
  year = {2020},
  pages = {111-115},
  doi = {10.3233/FAIA200610},
  url = {http://ebooks.iospress.nl/volumearticle/55531}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
79c5ec4

0 моделей