/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
28 апр 2026

DunbaaBERT_32k_base

Заполнение пропусковТекст → текст3 профессии

Урдуязычный RoBERTa-энкодер для восстановления замаскированных токенов и адаптации к задачам анализа текста.

615скачиваний за 30 дней0лайковвеса обновлены3 июн 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

DunbaaBERT-32k — урдуязычная модель семейства DunbaaBERT, разработанная авторами проекта и обученная с нуля. Это encoder-only Transformer на архитектуре RoBERTa для предсказания замаскированных токенов; вариант использует словарь Byte-BPE размером 32 009 токенов и содержит около 137,8 млн параметров по метаданным. Обучение проводилось с Whole Word Masking на очищенном корпусе урдуязычных текстов объёмом 17 ГБ.

Модель подходит для восстановления пропущенных слов и как языковой энкодер для последующей адаптации к задачам классификации и анализа текстов на урду. Длина последовательности составляет 512 токенов; авторы сообщают о результатах на лингвистических и прикладных тестах, включая классификацию текстов. Указанные в README параметры варианта — 110 625 024 — расходятся с метаданными репозитория, поэтому число параметров в описании приведено по метаданным. Лицензия MIT.

Сценарии применения

  • восстановление пропущенных слов в текстах на урду
  • получение контекстных представлений урдуязычных текстов
  • дообучение классификатора тональности на урду
  • адаптация энкодера для классификации текстов на урду

Ограничения

Модель ориентирована на урду и принимает последовательности длиной до 512 токенов. Для генерации свободного текста или языков, отличных от урду, она не предназначена.

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

DunbaaBERT

DunbaaBERT is a family of Urdu RoBERTa-base encoder models trained from scratch on a deduplicated 17 GB Urdu corpus. The models use Byte-BPE vocabularies of 32k, 52k, and 96k tokens and are released under the MIT license.

Model Details

  • Model type: RoBERTa-style masked language model
  • Language: Urdu
  • Architecture: Encoder-only Transformer
  • Training objective: Masked Language Modeling with Whole Word Masking (WWM)
  • Sequence length: 512 tokens
  • Training corpus: 17 GB deduplicated Urdu text

Model Variants

ModelVocabulary SizeParameters
DunbaaBERT-32k32,009110,625,024
DunbaaBERT-52k52,009125,985,024
DunbaaBERT-96k96,009159,777,024

Training Data

The final corpus was constructed from multiple Urdu resources and deduplicated at line level.

CorpusSize
mC417.0 GB
OSCAR-2019869 MB
OSCAR-2109604 MB
OSCAR-2201344 MB
OSCAR-2301982 MB
Urdu Wikipedia364 MB
Filtered NLLB Urdu2.1 GB
Total before deduplication22.3 GB
Final corpus17.0 GB

Pre-training

  • 32k vocab size
  • 100k training steps
  • computed on 2x H100 with 8k batch size

Evaluation Results

Main Results

ModelUrBLiMPCOUNT19 F1USADC F1PSL-Kabaddi F1IMDB Urdu F1Avg. Norm. Eff.
DunbaaBERT-32k95.194.4494.0870.0890.130.859
DunbaaBERT-52k97.094.9191.7567.6090.140.795
DunbaaBERT-96k94.695.2289.9770.5390.650.813
Urdu-RoBERTa-small90.592.0885.3667.0684.720.781
HPLT-BERT-ur97.395.7193.5171.1189.690.597
mBERT75.590.8883.0365.7885.470.744
mmBERT-small89.592.3673.0970.3685.440.494
mmBERT-base92.493.9777.7767.7587.310.495
XLM-R-base89.693.7285.2260.5688.690.754
XLM-R-large94.194.3883.5569.6291.150.492

Efficiency

We report a normalized efficiency metric combining Macro-F1 and inference throughput. Across benchmarks, the DunbaaBERT family consistently achieved stronger performance-efficiency trade-offs than most multilingual baselines.

DunbaaBERT-52k achieved the strongest linguistic probing performance on UrBLiMP, while DunbaaBERT-32k provided the strongest overall efficiency profile. Interestingly, DunbaaBERT-96k ranked second in average efficiency despite having the largest vocabulary.

Fairseq Checkpoint

Get the fairseq checkpoint here.

Citation

@misc{maab2026dunbaabertsacrificesemantics,
      title={DunbaaBERT: From Sacrifice to Semantics}, 
      author={Iffat Maab and Waleed Jamil and Raphael Schmitt},
      year={2026},
      eprint={2605.26935},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2605.26935}, 
}

License

MIT License

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
7ae9956

0 моделей