/ Модель

Характеристики

Контекст
514 токенов
Параметры
153 млн
Лицензия
MIT
Архитектура
roberta · dense
Базовая модель
GottBERT_filtered_base_best
Опубликована
16 дек 2024

GeistBERT_base

Заполнение пропусковТекст → текст10 профессий

Немецкоязычная RoBERTa-модель для заполнения пропусков и решения задач классификации, распознавания сущностей и понимания текста.

320скачиваний за 30 дней1лайквеса обновлены5 дек 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

GeistBERT — немецкоязычная языковая модель, разработанная авторами проекта GeistBERT и дообученная на основе GottBERT. Это плотная архитектура RoBERTa с 153,2 млн параметров, обученная с Whole Word Masking на преимущественно дедуплицированном немецком корпусе объёмом около 1,3 трлн токенов; контекст составляет 514 токенов. Модель предназначена для немецких NLP-задач, включая классификацию текста, распознавание именованных сущностей, понимание документов и предварительное обучение для машинного перевода.

В README сообщаются сильные результаты на немецких бенчмарках NER, классификации текста и NLI. Для специализированных задач модель можно дообучать; метаданные указывают задачу заполнения пропусков в тексте (fill-mask). Корпус не прошёл полную ручную проверку, поэтому в нём могут встречаться избыточные или низкокачественные примеры. Лицензия модели — MIT.

Сценарии применения

  • заполнение пропущенных слов в немецком тексте
  • классификация немецких документов
  • распознавание именованных сущностей на немецком
  • оценка смыслового соответствия немецких предложений
  • предварительное обучение моделей машинного перевода для немецкого

Ограничения

Корпус не был полностью вручную очищен и может содержать избыточные или низкокачественные примеры. Заявленные результаты относятся к немецким бенчмаркам; качество на других языках и задачах не установлено.

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

GeistBERT

GeistBERT is a German language model trained on a for the most part deduplicated corpus including OSCAR23, OPUS, and MC4. It builds on GottBERT while introducing Whole Word Masking (WWM) to improve contextual language representation. Achieving state-of-the-art among base models, the model also performs competitively with larger ones on several German NLP benchmarks.

Training Data

GeistBERT was trained on a diverse German corpus combining:

  • OSCAR23, OPUS, and MC4 (for the most part deduplicated)
  • German Wikipedia
  • OpenLegalData
  • Europarl, EUbookshop, ECB, and EuroPat
  • OpenSubtitles and TildeMODEL

The dataset amounts to approximately 1.3T tokens, shuffled for improved variance.

Training Procedure

Hardware

  • Training was conducted on multiple GPUs, including NVIDIA RTX 3090 (24GB VRAM).

Hyperparameters

ParameterValue
Model ArchitectureRoBERTa (Base)
Batch Size8,000
Training Steps100k
Weight InitializationGottBERT filtered base
Warmup Iterations10k
Peak Learning Rate0.0007
Learning Rate DecayPolynomial to zero

Performance

GeistBERT achieves SOTA results on multiple tasks:

  • NER: CoNLL 2003, GermEval 2014
  • Text Classification: GermEval 2018 (coarse & fine), 10kGNAD
  • NLI: German subset of XNLI

Mertics:

  • NER and Text Classification: F1 Score
  • NLI: Accuracy

Details:

  • bold values indicate the best performing model within one architecure (base, large), undescored values the second best.
ModelAccuracy NLIGermEval_14 F1CoNLL F1Coarse F1Fine F110kGNAD F1
GeistBERT82.6788.4786.1779.6766.4290.89
GottBERT_base_best80.8287.5585.9378.1753.3089.64
GottBERT_base_last81.0487.4885.6178.1853.9290.27
GottBERT_filtered_base_best80.5687.5786.1478.6552.8289.79
GottBERT_filtered_base_last80.7487.5985.6678.0852.3989.92
GELECTRA_base81.7086.9185.3777.2650.0789.02
GBERT_base80.0687.2485.1677.3751.5190.30
dbmdzBERT68.1286.8285.1577.4652.0790.34
GermanBERT78.1686.5383.8774.8147.7890.18
XLM-R_base79.7686.1484.4677.1350.5489.81
mBERT77.0386.6783.1873.5448.3288.90
GottBERT_large82.4688.2086.7879.4054.6190.24
GottBERT_filtered_large_best83.3188.1386.3079.3254.7090.31
GottBERT_filtered_large_last82.7988.2786.2878.9654.7290.17
GELECTRA_large86.3388.7286.7881.2856.1790.97
GBERT_large84.2188.7287.1980.8457.3790.74
XLM-R_large84.0788.8386.5479.0555.0690.17

Intended Use

This model is designed for German NLP tasks, including:

  • Text classification
  • Named Entity Recognition (NER)
  • Machine Translation Pre-training
  • Document Understanding

Limitations

  • Trained on unfiltered data, meaning some redundant or lower-quality samples may be present.
  • While deduplication was applied to specific subcorpora, the full corpus was not manually curated.

Fairseq Checkpoint

Get the fairseq checkpoint here.

Citations

If you use GeistBERT in your research, please cite the following paper:

@book{scheible-schmitt-frei-2025-geistbert,
  author    = {\textbf{Scheible-Schmitt}, \textbf{Raphael}  and  Frei, Johann},
  title     = {GeistBERT: Breathing Life into German NLP},
  booktitle      = {Proceedings of the Workshop on Beyond English: Natural Language Processing for all Languages in an Era of Large Language Models},
  month          = {September},
  year           = {2025},
  address        = {Varna, Bulgaria},
  publisher      = {INCOMA Ltd., Shoumen, BULGARIA},
  pages     = {42--50},
  abstract  = {Advances in transformer-based language models have highlighted the benefits of language-specific pre-training on high-quality corpora. In this context, German NLP stands to gain from updated architectures and modern datasets tailored to the linguistic characteristics of the German language. GeistBERT seeks to improve German language processing by incrementally training on a diverse corpus and optimizing model performance across various NLP tasks. We pre-trained GeistBERT using fairseq, following the RoBERTa base configuration with Whole Word Masking (WWM), and initialized from GottBERT weights. The model was trained on a 1.3 TB German corpus with dynamic masking and a fixed sequence length of 512 tokens. For evaluation, we fine-tuned the model on standard downstream tasks, including NER (CoNLL 2003, GermEval 2014), text classification (GermEval 2018 coarse/fine, 10kGNAD), and NLI (German XNLI), using $F_1$ score and accuracy as evaluation metrics. GeistBERT achieved strong results across all tasks, leading among base models and setting a new state-of-the-art (SOTA) in GermEval 2018 fine text classification. It also outperformed several larger models, particularly in classification benchmarks. To support research in German NLP, we release GeistBERT under the MIT license.},
  url       = {https://aclanthology.org/2025.globalnlp-1.6},
  doi       = {https://doi.org/10.26615/978-954-452-105-9-006}
}

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
RobertaForMaskedLM
Ревизия весов
af3f629

0 моделей