/ Модель

Характеристики

Контекст
514 токенов
Параметры
454 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
3 ноя 2025

SciBETO-large

Заполнение пропусковТекст → текст6 профессий

Крупный испаноязычный энкодер RoBERTa, предварительно обученный на научных текстах для восстановления замаскированных токенов и последующего дообучения под задачи научного NLP.

128скачиваний за 30 дней4лайкавеса обновлены19 ноя 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

Sci-BETO-large — испаноязычный энкодер RoBERTa, разработанный Flaglab и предварительно обученный с нуля на научных текстах. Модель содержит 454,1 млн параметров по метаданным Hugging Face; README указывает 355 млн. Использует токенизацию byte-level BPE и обучалась на корпусе более чем из 11 млрд токенов, включающем научные публикации, диссертации и другие академические материалы. Контекст модели составляет 514 токенов.

Модель предназначена для научного NLP на испанском языке. Её можно дообучать для классификации текстов, распознавания именованных сущностей, поиска семантического сходства, выявления перефразирований и извлечения знаний из академических документов. Основная задача опубликованного чекпойнта — восстановление замаскированных токенов; README приводит результаты на общих и специализированных испанских наборах данных, включая PharmaCoNER.

Модель ориентирована на академический регистр и латиноамериканские варианты испанского, поэтому может хуже работать с неформальной речью. Она не предназначена для генерации текста и не обучалась на английских или двуязычных данных. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в испанских научных текстах
  • дообучение классификатора академических документов
  • распознавание именованных сущностей в испанских научных публикациях
  • поиск семантически близких испанских научных текстов
  • выявление перефразирований в испанских текстах
  • извлечение терминов и знаний из академических документов

Ограничения

Может хуже работать с неформальным испанским и ориентирована преимущественно на академический регистр и латиноамериканские варианты языка. Не предназначена для генерации текста; английские и двуязычные данные при предварительном обучении не использовались.

Для каких профессий подходит6

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

Sci-BETO-large

Sci-BETO is a domain-specific RoBERTa encoder pretrained entirely on Spanish scientific texts.


Model Description

Sci-BETO-large is a transformer-based encoder following the RoBERTa architecture (355M parameters).
It was pretrained from scratch using byte-level BPE tokenization on a large corpus of Spanish open-access scientific publications, including theses, dissertations, and peer-reviewed papers from Colombian universities and international repositories.

The model was designed to capture scientific discourse, terminology, and abstract reasoning patterns typical of research documents in economics, engineering, medicine, and the social sciences.

PropertyValue
ArchitectureRoBERTa-large
Parameters355M
Vocabulary size50,262
TokenizerByte-Level BPE (trained from scratch)
Pretraining objectiveMasked Language Modeling (MLM)
Pretraining steps92K
Max sequence length512 tokens
FrameworkTransformers

Pretraining Data

The pretraining corpus includes over 11 billion tokens from Spanish academic and scientific sources:

  • Open-access repositories of Colombian universities (Universidad de los Andes, Universidad Nacional, Universidad Javeriana, Universidad del Rosario).
  • CORE API and institutional repositories (theses, dissertations, working papers).
  • Tax Statutes in Colombia

The final dataset covers multiple disciplines (economics, medicine, engineering, humanities), ensuring representation across scientific domains.

Source# Documents# Words (deduplicated)Percentage (%)
Universidad de los Andes33,858365,752,7803.23
Universidad Nacional44,686537,022,9754.75
CORE API2,181,6899,624,189,00285.10
Universidad del Rosario22,404183,356,1091.62
Universidad Javeriana25,624323,918,4452.86
Tax Statutes in Colombia39213,924,0600.12
Extra2261,131,4532.31
Total2,308,65511,309,295,824100.00

Benchmarks

Sci-BETO was fine-tuned and benchmarked across multiple downstream tasks, both general-domain and scientific:

DatasetMetricSci-BETO LargeSci-BETO BaseBETOBERTIN
WikiCATF1 (macro)0.77380.75830.76240.7598
PAWS-X (es)F1 (macro)0.91480.87940.89850.8961
PharmaCoNERF1 (micro)0.89590.87330.88450.8802
CANTEMISTF1 (micro)0.88090.87840.89540.8956
NLI (ESNLI-R)F1 (micro)————
BanRep (JEL)Exact Match0.61160.60430.59330.5807
RosarioF1 (macro)0.92030.91940.90790.9121
Econ-IEF1 (micro)0.52560.51580.51990.4992

On average, Sci-BETO achieves comparable or superior results to general-domain Spanish models in specialized contexts (scientific, biomedical, economic), while maintaining strong performance in general text understanding.


Intended Use

  • Research and experimentation in Spanish scientific NLP.
  • Downstream fine-tuning for:
    • Text classification (scientific or academic domains),
    • Named Entity Recognition (NER),
    • Semantic similarity and paraphrase detection,
    • Knowledge extraction from academic documents.

Limitations

  • The model may underperform on highly informal or non-academic Spanish (e.g., social media).
  • It is not designed for generative tasks (e.g., text completion, chat).
  • Domain bias toward academic register and Latin American Spanish variants.
  • Pretraining corpus excludes English or bilingual data.

Example Usage

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("Flaglab/Sci-BETO-large")
model = AutoModelForMaskedLM.from_pretrained("Flaglab/Sci-BETO-large")

text = "El Banco de la República va a subir las [mask] de interes."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
masked_index = (inputs.input_ids == tokenizer.mask_token_id).nonzero(as_tuple=True)[1]
predicted_token = tokenizer.decode(logits[0, masked_index].argmax(dim=-1))
print("Predicted token:", predicted_token)

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
099c451

0 моделей