Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Опубликована: 12 апр 2023

Ссылки

Hugging Face

xlm-roberta-base-mongolian-ner-finetuning

Baljinnyam

Разметка токеновТекст → label5 профессий

Дообученная XLM-RoBERTa-base для распознавания именованных сущностей в монгольском тексте.

169скачиваний за 30 дней0лайковвеса обновлены12 апр 2023

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

Baljinnyam/xlm-roberta-base-mongolian-ner-finetuning — модель XLM-RoBERTa-base, дообученная для распознавания именованных сущностей в монгольском тексте. Она выполняет токенную классификацию: присваивает метку каждому фрагменту текста. В README приведены результаты оценки: F1 0,9310, точность 0,9267, полнота 0,9354 и accuracy 0,9796; название набора данных в карточке не раскрыто.

Модель содержит около 305,2 млн параметров, работает на PyTorch и имеет контекстное окно 514 токенов. Лицензия — MIT. Карточка не уточняет наборы распознаваемых сущностей и ограничения оценки, поэтому приведённые метрики не гарантируют качество на других текстах.

Сценарии применения

поиск именованных сущностей в монгольских документах
извлечение сущностей из монгольских новостных статей
разметка токенов монгольского текста для последующего анализа

Ограничения

В карточке не указаны набор данных и типы распознаваемых сущностей. Метрики приведены только для оценочного набора и не подтверждают качество на других данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей

Также подходит для

I.14Автоматизация процессов и AI-агенты

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bloom-mongolian-ner-demo

This model is a fine-tuned version of xlm-roberta-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1048
Precision: 0.9267
Recall: 0.9354
F1: 0.9310
Accuracy: 0.9796

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1	Accuracy
0.195	1.0	477	0.0947	0.8845	0.8994	0.8919	0.9707
0.0848	2.0	954	0.0761	0.9095	0.9235	0.9164	0.9774
0.0614	3.0	1431	0.0724	0.9218	0.9317	0.9267	0.9797
0.0452	4.0	1908	0.0756	0.9283	0.9350	0.9316	0.9806
0.035	5.0	2385	0.0824	0.9221	0.9337	0.9279	0.9796
0.0263	6.0	2862	0.0895	0.9191	0.9319	0.9254	0.9787
0.02	7.0	3339	0.0991	0.9238	0.9335	0.9286	0.9789
0.0148	8.0	3816	0.1005	0.9277	0.9358	0.9317	0.9798
0.0124	9.0	4293	0.1014	0.9254	0.9356	0.9305	0.9801
0.01	10.0	4770	0.1048	0.9267	0.9354	0.9310	0.9796

Framework versions

Transformers 4.27.4
Pytorch 2.0.0+cu118
Datasets 2.11.0
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: faed1b9