/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
KazBERT
Библиотека
transformers
Опубликована
6 мая 2025

KazBERT-Duplicates

Классификация текстаТекст → label10 профессий

BERT-модель для классификации типов дубликатов между парами предложений на казахском языке.

117скачиваний за 30 дней1лайквеса обновлены8 мая 2025

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

Eraly-ml/KazBERT-Duplicates — модель на основе BERT, дообученная разработчиком Eraly-ml на KazBERT для классификации пар предложений на казахском языке. Она определяет, являются ли предложения точными, частичными, смысловыми или контекстными дубликатами, и подходит для поиска повторов, проверки текстов на плагиат и предварительной очистки корпусов. В метаданных указаны 137,8 млн параметров, контекст до 512 токенов и формат safetensors; модель доступна по лицензии Apache-2.0.

В README приведены результаты оценки на отложенной выборке: точность и F1 составляют 91,05%. Модель ориентирована на казахский язык; качество может снижаться на специализированных юридических и медицинских текстах, а также на длинных или зашумлённых входах.

Сценарии применения

  • поиск точных и частичных дублей в казахских текстах
  • выявление перефразированных предложений на казахском языке
  • проверка казахских текстов на плагиат
  • удаление повторяющихся предложений из казахских корпусов

Ограничения

Предназначена прежде всего для казахского языка и может хуже обрабатывать специализированные юридические и медицинские тексты. Результаты также могут снижаться на длинных или зашумлённых входах.

Для каких профессий подходит10

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

Eraly-ml/KazBERT-Duplicates-BETA_TEST

KazBERT-Duplicates is a Kazakh language model fine-tuned to classify types of textual duplication between sentence pairs. It predicts whether two sentences are exact, partial, paraphrase, or contextual duplicates.

Model Description

  • Base Model: KazBERT (BERT-based)
  • Language: Kazakh 🇰🇿
  • Task: Sentence Pair Classification (Duplicate Detection)
  • Labels:
    • exact: Sentences are exactly the same
    • partial: One sentence partially overlaps with the other
    • paraphrase: Sentences convey the same meaning in different wording
    • contextual: Sentences are topically similar but semantically different

How to Use

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

tokenizer = AutoTokenizer.from_pretrained("Eraly-ml/KazBERT-Duplicates")
model = AutoModelForSequenceClassification.from_pretrained("Eraly-ml/KazBERT-Duplicates")

model.config.label2id = {v: k for k, v in model.config.id2label.items()}

nlp = pipeline(
    task="text-classification",
    model=model,
    tokenizer=tokenizer,
    return_all_scores=True,
    device=0,  # remove if not using GPU
    batch_size=2,
)

examples = [
    {"text": "Менің атым Ералы", "text_pair": "Менің есімім — Ералы"},
    {"text": "Бүгін ауа‑райы жақсы", "text_pair": "Кеше жаңбыр жауды"}
]

results = nlp(examples, truncation=True, padding=True, max_length=512)

for i, (ex, res) in enumerate(zip(examples, results), 1):
    print(f"\n[{i}] \"{ex['text']}\" ↔ \"{ex['text_pair']}\"")
    top = max(res, key=lambda x: x['score'])
    print(f"   → Top prediction: **{top['label']}** ({top['score']:.2%})")
    print("   All scores:")
    for r in res:
        print(f"      - {r['label']}: {r['score']:.2%}")

Output:

[1] "Менің атым Ералы" ↔ "Менің есімім — Ералы"
   → Top prediction: **partial** (55.15%)
   All scores:
      - contextual: 2.04%
      - exact: 6.70%
      - paraphrase: 36.11%
      - partial: 55.15%

[2] "Бүгін ауа‑райы жақсы" ↔ "Кеше жаңбыр жауды"
   → Top prediction: **contextual** (99.59%)
   All scores:
      - contextual: 99.59%
      - exact: 0.01%
      - paraphrase: 0.04%
      - partial: 0.36%

Evaluation Metrics

The model was evaluated on a held-out test set using macro-averaged metrics:

MetricValueDescription
eval_loss0.21Low loss — good, the model is confident in its predictions.
eval_accuracy91.05%Very high accuracy for the classification task.
eval_f191.05%Excellent balance between precision and recall.
eval_precision92.36%Almost no false positives.
eval_recall91.21%High coverage of true positives.

Training Details

  • Framework: Hugging Face Transformers + Accelerate
  • Dataset: KazakhTextDuplicates
  • Batch Size: 16
  • Epochs: 6
  • Learning Rate: 2e-5
  • Optimizer: AdamW
  • Max Seq Length: 512
  • Loss Function: CrossEntropyLoss

Training was launched with multi-GPU support:

notebook_launcher(training_function, num_processes=2)

Intended Uses

  • Kazakh duplicate sentence classification
  • Plagiarism detection in Kazakh
  • NLP pre-processing for deduplication tasks

Limitations

  • Limited to the Kazakh language
  • May not generalize well to domain-specific text (e.g. legal or medical)
  • Sensitive to long or noisy inputs

Contact

For questions or collaborations, contact via Home Page.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
57c6e2a

0 моделей