/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
distilbert · dense
Опубликована
3 окт 2022

distilbert-base-russian-cased

Заполнение пропусковТекст → текст3 профессии

Русскоязычная модель DistilBERT для предсказания пропущенных слов и поддержки исправления опечаток.

25скачиваний за 30 дней3лайкавеса обновлены6 окт 2022

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

Dmitry Pogrebnoy разработал русскоязычную версию DistilBERT с регистрозависимым токенизатором на основе distilbert-base-multilingual-cased. Модель предназначена для заполнения маски: она предсказывает пропущенные токены в русском тексте. В токенизаторе сохранены русские токены, знаки препинания, числа и служебные токены, отобранные регулярными выражениями; README сообщает, что модель сохраняет представления и точность исходной модели.

Модель можно применять для подсказки вариантов при исправлении опечаток и ранжирования кандидатов, в том числе в медицинских историях болезни. Это плотная модель DistilBertForMaskedLM для PyTorch с контекстом до 512 токенов. Лицензия — Apache-2.0. README описывает проект как магистерскую работу; качество на других задачах и доменах отдельно не подтверждено.

Сценарии применения

  • предсказание пропущенного слова в русском предложении
  • подбор кандидатов для исправления русских опечаток
  • ранжирование вариантов исправления в медицинских историях болезни

Ограничения

Заявленное сохранение точности относится к исходной модели и не подтверждает качество на произвольных задачах или предметных областях. Контекст ограничен 512 токенами.

Для каких профессий подходит3

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

Model DmitryPogrebnoy/distilbert-base-russian-cased

Model Description

This model is russian version of distilbert-base-multilingual-cased. The code for the transforming process can be found here.

This model give exactly the same representations produced by the original model which preserves the original accuracy. There is a similar model of Geotrend/distilbert-base-ru-cased. However, our model is derived from a slightly different approach. Instead of using wikipedia's Russian dataset to pick the necessary tokens, we used regular expressions in this model to select only Russian tokens, punctuation marks, numbers and other service tokens. Thus, our model contains several hundred tokens, which have been filtered out in Geotrend/distilbert-base-ru-cased.

This model was created as part of a master's project to develop a method for correcting typos in medical histories using BERT models as a ranking of candidates. The project is open source and can be found here.

How to Get Started With the Model

You can use the model directly with a pipeline for masked language modeling:

>>> from transformers import pipeline
>>> pipeline = pipeline('fill-mask', model='DmitryPogrebnoy/distilbert-base-russian-cased')
>>> pipeline("Я [MASK] на заводе.")
[{'score': 0.11498937010765076,
  'token': 1709,
  'token_str': 'работал',
  'sequence': 'Я работал на заводе.'},
 {'score': 0.07212855666875839,
  'token': 12375,
  'token_str': '##росла',
  'sequence': 'Яросла на заводе.'},
 {'score': 0.03575785085558891,
  'token': 4059,
  'token_str': 'находился',
  'sequence': 'Я находился на заводе.'},
 {'score': 0.02496381290256977,
  'token': 5075,
  'token_str': 'работает',
  'sequence': 'Я работает на заводе.'},
 {'score': 0.020675526931881905,
  'token': 5774,
  'token_str': '##дро',
  'sequence': 'Ядро на заводе.'}]

Or you can load the model and tokenizer and do what you need to do:

>>> from transformers import AutoTokenizer, AutoModelForMaskedLM
>>> tokenizer = AutoTokenizer.from_pretrained("DmitryPogrebnoy/distilbert-base-russian-cased")
>>> model = AutoModelForMaskedLM.from_pretrained("DmitryPogrebnoy/distilbert-base-russian-cased")

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
DistilBertForMaskedLM
Ревизия весов
dbc7808

0 моделей