/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
26 июн 2024

liberta-large

Заполнение пропусковТекст → текст3 профессии

Украиноязычная BERT-модель, предварительно обученная с нуля для восстановления пропущенных токенов в тексте.

42скачиваний за 30 дней0лайковвеса обновлены27 июн 2024

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

LiBERTa Large — модель семейства BERT, разработанная Николой Халтиуком под руководством Александра Смывиньского-Поля в AGH University of Krakow. Она предварительно обучена с нуля исключительно на украинском языке и предназначена для заполнения пропусков в тексте. Модель представлена на конференции UNLP @ LREC-COLING 2024; для токенизации используется код из репозитория Goader/ukr-lm.

Модель содержит 435,4 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В оценках на задачах NER, WikiANN, разметки частей речи и классификации новостных текстов она показала конкурентные результаты среди крупных украинских языковых моделей. Доступна под лицензией CC BY 4.0.

Сценарии применения

  • восстановление замаскированных слов в украинском тексте
  • подбор контекстуально подходящего слова для пропуска
  • получение контекстных представлений украинского текста для языкового анализа

Ограничения

Модель предназначена для украинского языка, а её контекст ограничен 512 токенами. Карточка рекомендует обращаться к статье за подробностями об оценивании и кода репозитория для токенизации.

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

LiBERTa

LiBERTa Large is a BERT-like model pre-trained from scratch exclusively for Ukrainian. It was presented during the UNLP @ LREC-COLING 2024. Further details are in the LiBERTa: Advancing Ukrainian Language Modeling through Pre-training from Scratch paper.

All the code is available in the Goader/ukr-lm repository.

Evaluation

Read the paper for more detailed tasks descriptions.

NER-UK (Micro F1)WikiANN (Micro F1)UD POS (Accuracy)News (Macro F1)
Base Models
xlm-roberta-base90.86 (0.81)92.27 (0.09)98.45 (0.07)-
roberta-base-wechsel-ukrainian90.81 (1.51)92.98 (0.12)98.57 (0.03)-
electra-base-ukrainian-cased-discriminator90.43 (1.29)92.99 (0.11)98.59 (0.06)-
Large Models
xlm-roberta-large90.16 (2.98)92.92 (0.19)98.71 (0.04)95.13 (0.49)
roberta-large-wechsel-ukrainian91.24 (1.16)93.22 (0.17)98.74 (0.06)96.48 (0.09)
liberta-large91.27 (1.22)92.50 (0.07)98.62 (0.08)95.44 (0.04)
liberta-large-v291.73 (1.81)93.22 (0.14)98.79 (0.06)95.67 (0.12)

Fine-Tuning Hyperparameters

HyperparameterValue
Peak Learning Rate3e-5
Warm-up Ratio0.05
Learning Rate DecayLinear
Batch Size16
Epochs10
Weight Decay0.05

How to Get Started with the Model

Use the code below to get started with the model. Note, that the repository contains custom code for tokenization:

Pipeline usage:

>>> from transformers import pipeline

>>> fill_mask = pipeline("fill-mask", "Goader/liberta-large", trust_remote_code=True)
>>> fill_mask("Арсенальна - найглибша станція <mask> у світі.")

[{'score': 0.929235577583313,
  'token': 8670,
  'token_str': 'метро',
  'sequence': 'Арсенальна - найглибша станція метро у світі.'},
 {'score': 0.005501953419297934,
  'token': 8608,
  'token_str': 'світла',
  'sequence': 'Арсенальна - найглибша станція світла у світі.'},
 {'score': 0.0037314200308173895,
  'token': 3808,
  'token_str': 'Європи',
  'sequence': 'Арсенальна - найглибша станція Європи у світі.'},
 {'score': 0.0032518072985112667,
  'token': 21678,
  'token_str': 'ЮНЕСКО',
  'sequence': 'Арсенальна - найглибша станція ЮНЕСКО у світі.'},
 {'score': 0.002941741142421961,
  'token': 20250,
  'token_str': 'залізниці',
  'sequence': 'Арсенальна - найглибша станція залізниці у світі.'}]

Extracting embeddings:

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Goader/liberta-large", trust_remote_code=True)
model = AutoModel.from_pretrained("Goader/liberta-large")

encoded = tokenizer('Арсенальна - найглибша станція метро у світі.', return_tensors='pt')

output = model(**encoded)

Citation

@inproceedings{haltiuk-smywinski-pohl-2024-liberta,
    title = "{L}i{BERT}a: Advancing {U}krainian Language Modeling through Pre-training from Scratch",
    author = "Haltiuk, Mykola  and
      Smywi{\'n}ski-Pohl, Aleksander",
    editor = "Romanyshyn, Mariana  and
      Romanyshyn, Nataliia  and
      Hlybovets, Andrii  and
      Ignatenko, Oleksii",
    booktitle = "Proceedings of the Third Ukrainian Natural Language Processing Workshop (UNLP) @ LREC-COLING 2024",
    month = may,
    year = "2024",
    address = "Torino, Italia",
    publisher = "ELRA and ICCL",
    url = "https://aclanthology.org/2024.unlp-1.14",
    pages = "120--128",
    abstract = "Recent advancements in Natural Language Processing (NLP) have spurred remarkable progress in language modeling, predominantly benefiting English. While Ukrainian NLP has long grappled with significant challenges due to limited data and computational resources, recent years have seen a shift with the emergence of new corpora, marking a pivotal moment in addressing these obstacles. This paper introduces LiBERTa Large, the inaugural BERT Large model pre-trained entirely from scratch only on Ukrainian texts. Leveraging extensive multilingual text corpora, including a substantial Ukrainian subset, LiBERTa Large establishes a foundational resource for Ukrainian NLU tasks. Our model outperforms existing multilingual and monolingual models pre-trained from scratch for Ukrainian, demonstrating competitive performance against those relying on cross-lingual transfer from English. This achievement underscores our ability to achieve superior performance through pre-training from scratch with additional enhancements, obviating the need to rely on decisions made for English models to efficiently transfer weights. We establish LiBERTa Large as a robust baseline, paving the way for future advancements in Ukrainian language modeling.",
}

Licence

CC-BY 4.0

Authors

The model was trained by Mykola Haltiuk as a part of his Master's Thesis under the supervision of Aleksander Smywiński-Pohl, PhD, AGH University of Krakow.

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
BertForMaskedLM
Ревизия весов
102ba64

0 моделей