/ Модель

Характеристики

Контекст
8 192 токена
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
new · dense
Опубликована
6 авг 2024

gte-multilingual-mlm-base

Заполнение пропусковТекст → текст9 профессий

Многоязычный энкодер mGTE на 305 млн параметров для восстановления замаскированных токенов и понимания текста с контекстом до 8192 токенов.

694скачиваний за 30 дней16лайковвеса обновлены6 авг 2024

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

gte-multilingual-mlm-base — многоязычный текстовый энкодер серии mGTE, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для представления текста и задач поиска и ранжирования; вариант MLM обучен восстанавливать замаскированные токены и также может применяться в задачах понимания текста.

Энкодер построен на базе Transformer++ — сочетания BERT, RoPE и GLU — и использует словарь XLM-R. В модели около 305 млн параметров, максимальная длина контекста составляет 8192 токена. В README заявлена поддержка 75 языков; среди кодов языков в метаданных указаны, в частности, русский и английский. Модель показала результаты выше XLM-R-base того же размера на GLUE и XTREME-R.

Лицензия — Apache-2.0. Это базовый MLM-энкодер, поэтому для прикладных задач классификации, извлечения сущностей или ранжирования может потребоваться соответствующая настройка и подходящая обвязка; карточка не содержит сведений о генерации текста.

Сценарии применения

  • восстановление пропущенных слов в многоязычном тексте
  • классификация текстов после настройки модели
  • извлечение сущностей после настройки модели
  • ответы на вопросы по тексту после настройки модели
  • ранжирование текстовых кандидатов с соответствующей обвязкой

Ограничения

Для прикладных задач понимания текста может потребоваться дообучение или дополнительная обвязка. Модель является энкодером и не предназначена для генерации свободного текста.

Для каких профессий подходит9

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

gte-multilingual-mlm-base

We introduce mGTE series, new generalized text encoder, embedding and reranking models that support 75 languages and the context length of up to 8192. The models are built upon the transformer++ encoder backbone (BERT + RoPE + GLU, code refer to Alibaba-NLP/new-impl) as well as the vocabulary of XLM-R.

This text encoder (mGTE-MLM-8192 in our paper) outperforms the same-sized previous state-of-the-art XLM-R-base in both GLUE and XTREME-R.

Model list

ModelsLanguageModel SizeMax Seq. LengthGLUEXTREME-R
gte-multilingual-mlm-baseMultiple306M819283.4764.44
gte-en-mlm-baseEnglish-819285.61-
gte-en-mlm-largeEnglish-819287.58-

Training Details

Training Data

  • Masked language modeling (MLM): c4-en, mc4, skypile, Wikipedia, CulturaX, etc (refer to paper appendix A.1)

Training Procedure

To enable the backbone model to support a context length of 8192, we adopted a multi-stage training strategy. The model first undergoes preliminary MLM pre-training on shorter lengths. And then, we resample the data, reducing the proportion of short texts, and continue the MLM pre-training.

The entire training process is as follows:

  • MLM-2048: lr 2e-4, mlm_probability 0.3, batch_size 8192, num_steps 250k, rope_base 10000
  • MLM-8192: lr 5e-5, mlm_probability 0.3, batch_size 2048, num_steps 30k, rope_base 160000

Evaluation

ModelsLanguageModel SizeMax Seq. LengthGLUEXTREME-R
gte-multilingual-mlm-baseMultiple306M819283.4764.44
gte-en-mlm-baseEnglish-819285.61-
gte-en-mlm-largeEnglish-819287.58-
MosaicBERT-baseEnglish137M12885.4-
MosaicBERT-base-2048English137M204885-
JinaBERT-baseEnglish137M51285-
nomic-bert-2048English137M204884-
MosaicBERT-largeEnglish434M12886.1-
JinaBERT-largeEnglish434M51283.7-
XLM-R-baseMultiple279M51280.4462.02
RoBERTa-baseEnglish125M51286.4-
RoBERTa-largeEnglish355M51288.9-

Citation

If you find our paper or models helpful, please consider citing them as follows:

@misc{zhang2024mgtegeneralizedlongcontexttext,
  title={mGTE: Generalized Long-Context Text Representation and Reranking Models for Multilingual Text Retrieval}, 
  author={Xin Zhang and Yanzhao Zhang and Dingkun Long and Wen Xie and Ziqi Dai and Jialong Tang and Huan Lin and Baosong Yang and Pengjun Xie and Fei Huang and Meishan Zhang and Wenjie Li and Min Zhang},
  year={2024},
  eprint={2407.19669},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2407.19669}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
NewForMaskedLM
Ревизия весов
b747c5e

0 моделей