/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Базовая модель
mRoBERTa
Библиотека
transformers
Опубликована
28 мар 2025

RoBERTa-ca

Заполнение пропусковТекст → текст5 профессий

Каталонская модель RoBERTa для предсказания пропущенных слов и дообучения под задачи понимания текста.

322скачиваний за 30 дней2лайкавеса обновлены9 апр 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

RoBERTa-ca — базовая языковая модель для каталонского языка, разработанная лабораторией Language Technologies Lab Барселонского суперкомпьютерного центра. Это модель архитектуры RoBERTa с примерно 151,9 млн параметров по метаданным, предназначенная для предсказания замаскированных слов и дальнейшего дообучения для задач понимания текста.

Модель создана на основе BSC-LT/mRoBERTa: веса инициализировали из мультиязычной модели, адаптировали эмбеддинги с учётом различий токенизаторов и продолжили предобучение на корпусе из 95 ГБ каталонских текстов. Используются SentencePiece-токенизатор с размером словаря 50 304 и контекст до 514 токенов. В карточке описана оценка на каталонском бенчмарке CLUB, включающем распознавание сущностей, разметку частей речи, семантическое сходство, классификацию, вывод и ответы на вопросы.

Для работы с моделью нужна библиотека Transformers; веса доступны в формате Safetensors. Лицензия — Apache-2.0. В README отмечены возможные смещения и непреднамеренные искажения; при создании прикладных систем ответственность за управление рисками лежит на их разработчиках и пользователях.

Сценарии применения

  • восстановление замаскированных слов в каталонском тексте
  • дообучение классификатора каталонских текстов
  • распознавание именованных сущностей в каталонском языке
  • разметка частей речи в каталонских текстах
  • оценка семантического сходства каталонских предложений
  • ответы на вопросы по каталонским текстам

Ограничения

README предупреждает о возможных смещениях и непреднамеренных искажениях; бенчмарк описывает оценку на каталонском языке, поэтому результаты для других языков и задач из этих данных не следуют.

Для каких профессий подходит5

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

RoBERTa-ca Model Card

RoBERTa-ca is a new foundational Catalan language model built on the RoBERTa architecture. It uses vocabulary adaptation from mRoBERTa, a method that initializes all weights from mRoBERTa while applying a specialized treatment to the embedding matrix. This treatment carefully handles the differences between the two tokenizers. The model is then continually pretrained using a Catalan-only corpus, consisting of 95GB of high-quality Catalan data.

Technical Description

Technical details of the RoBERTa-ca model.

DescriptionValue
Model Parameters125M
Tokenizer TypeSPM
Vocabulary size50,304
Precisionbfloat16
Context length512

Training Hyperparemeters

HyperparameterValue
Pretraining ObjectiveMasked Language Modeling
Learning Rate3E-05
Learning Rate SchedulerCosine
Warmup2425
OptimizerAdamW
Optimizer HyperparametersAdamW (β1=0.9,β2=0.98,ε =1e-06 )
Optimizer Decay1E-02
Global Batch Size1024
Dropout1E-01
Attention Dropout1E-01
Activation FunctionGeLU

How to use

>>> from transformers import pipeline
>>> from pprint import pprint

>>> unmasker = pipeline('fill-mask', model='BSC-LT/RoBERTa-ca')

>>> pprint(unmasker("M'encanta la<mask>de Barcelona.",top_k=3))
[{'score': 0.6109828948974609,
  'sequence': "M'encanta la ciutat de Barcelona.",
  'token': 1125,
  'token_str': 'ciutat'},
 {'score': 0.04469362273812294,
  'sequence': "M'encanta la platja de Barcelona.",
  'token': 5404,
  'token_str': 'platja'},
 {'score': 0.02249019406735897,
  'sequence': "M'encanta la gent de Barcelona.",
  'token': 1261,
  'token_str': 'gent'}]
>>> pprint(unmasker("Adoro menjar un bon plat de<mask>al costat de la platja.",top_k=3))
[{'score': 0.12922883033752441,
  'sequence': 'Adoro menjar un bon plat de peix al costat de la platja.',
  'token': 5802,
  'token_str': 'peix'},
 {'score': 0.12800152599811554,
  'sequence': 'Adoro menjar un bon plat de carn al costat de la platja.',
  'token': 6432,
  'token_str': 'carn'},
 {'score': 0.06676974892616272,
  'sequence': 'Adoro menjar un bon plat de marisc al costat de la platja.',
  'token': 31717,
  'token_str': 'marisc'}]
>>> pprint(unmasker("Intento anar a la platja de<mask>cada any, és fantástica.",top_k=3))
[{'score': 0.06159511208534241,
  'sequence': 'Intento anar a la platja de Pals cada any, és fantástica.',
  'token': 28365,
  'token_str': 'Pals'},
 {'score': 0.04985760524868965,
  'sequence': 'Intento anar a la platja de Calella cada any, és fantástica.',
  'token': 11472,
  'token_str': 'Calella'},
 {'score': 0.048444587737321854,
  'sequence': 'Intento anar a la platja de Lloret cada any, és fantástica.',
  'token': 11420,
  'token_str': 'Lloret'}]

Which is equivalent to the following torch script:

from transformers import AutoTokenizer, AutoModelForMaskedLM
import torch

model = AutoModelForMaskedLM.from_pretrained("BSC-LT/RoBERTa-ca")
tokenizer = AutoTokenizer.from_pretrained("BSC-LT/RoBERTa-ca")

# The index of "<mask>" token is -3 given that the -1 position is the EOS token "</s>" and -2 the position of the "." token.
outputs = model(**tokenizer("La capital d'Espanya és<mask>.", return_tensors="pt")).logits
predicted_token = tokenizer.decode(torch.argmax(outputs[0,-3,:]))

print(f"La predicció és \"{predicted_token}\"." ) # The prediction is "Madrid"

In most of the evaluations presented below, the model is adjusted to each use case using specific logits to encode the text.

EVALUATION: CLUB Benchmark

Model performance in Catalan Language is assessed using the Catalan benchmark CLUB. CLUB (Catalan Language Understanding Benchmark) consists of 6 tasks: Named Entity Recognition (NER), Part-of-Speech Tagging (POS), Semantic Textual Similarity (STS), Text Classification (TC), Textual Entailment (TE), and Question Answering (QA). This benchmark evaluates the model's capabilities in the Catalan language.

The following base foundational models have been considered for the comparison:

Multilingual Foundational ModelNumber of ParametersVocab SizeDescription
BERTa126M52KBERTa is a Catalan-specific language model pretrained with Catalan-only data.
BERTinho109M30KBERTinho is monolingual BERT model for Galician language.
mBERT178M120KMultilingual BERT model pretrained on the top 104 languages with the largest Wikipedia.
mRoBERTa283M256KRoBERTa base model pretrained with 35 European languages and a larger vocabulary size.
roberta-base-bne125M50KRoBERTa base model pretrained with 570GB of data from web crawlings performed by the National Library of Spain from 2009 to 2019.
RoBERTa-ca125M50KRoBERTa-ca is a Catalan-specific language model obtained by using vocabulary adaptation from mRoBERTa.
xlm-roberta-base279M250KFoundational RoBERTa model pretrained with CommonCrawl data containing 100 languages.
xlm-roberta-large561M250KFoundational RoBERTa model pretrained with CommonCrawl data containing 100 languages.

Additional information

Author

The Language Technologies Lab from Barcelona Supercomputing Center.

Contact

For further information, please send an email to langtech@bsc.es.

Copyright

Copyright(c) 2025 by Language Technologies Lab, Barcelona Supercomputing Center.

Funding

This work has been promoted and financed by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ILENIA with reference 2022/TL22/00215337.

Acknowledgements

This project has benefited from the contributions of numerous teams and institutions through data contributions.

In Catalonia, many institutions have been involved in the project. Our thanks to Òmnium Cultural, Parlament de Catalunya, Institut d'Estudis Aranesos, Racó Català, Vilaweb, ACN, Nació Digital, El món and Aquí Berguedà.

At national level, we are especially grateful to our ILENIA project partners: CENID, HiTZ and CiTIUS for their participation. We also extend our genuine gratitude to the Spanish Senate and Congress, Fundación Dialnet, Fundación Elcano and the ‘Instituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)’ of the University of Las Palmas de Gran Canaria.

At the international level, we thank the Welsh government, DFKI, Occiglot project, especially Malte Ostendorff, and The Common Crawl Foundation, especially Pedro Ortiz, for their collaboration.

Their valuable efforts have been instrumental in the development of this work.

Disclaimer

Be aware that the model may contain biases or other unintended distortions. When third parties deploy systems or provide services based on this model, or use the model themselves, they bear the responsibility for mitigating any associated risks and ensuring compliance with applicable regulations, including those governing the use of Artificial Intelligence.

The Barcelona Supercomputing Center, as the owner and creator of the model, shall not be held liable for any outcomes resulting from third-party use.

License

Apache License, Version 2.0

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
RobertaForMaskedLM
Ревизия весов
11fd382

0 моделей