/ Модель

Характеристики

Контекст
514 токенов
Параметры
153 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
2 мар 2022

GottBERT_base_last

Заполнение пропусковТекст → текст4 профессии

Немецкоязычная модель RoBERTa для предсказания замаскированных слов и адаптации к задачам NLP на немецком языке.

11 731скачиваний за 30 дней17лайковвеса обновлены19 ноя 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

GottBERT_base_last — немецкоязычная модель семейства RoBERTa, разработанная и предварительно обученная на немецкой части первого выпуска корпуса OSCAR. Это базовая версия GottBERT с архитектурой RoBERTa и примерно 153,2 млн параметров по метаданным Hugging Face; она принимает текст и предназначена прежде всего для предсказания замаскированных токенов, а также может служить основой для задач распознавания именованных сущностей, классификации текста и логического вывода на немецком языке. Контекст составляет 514 токенов, токенизатор использует BPE со словарём около 52 тысяч подслов.

В README приведены результаты оценки на немецких наборах CoNLL 2003, GermEval и XNLI. Модель поддерживает только немецкий язык и распространяется по лицензии MIT. Среди ограничений карточка отмечает, что фильтрация обучающих данных дала лишь небольшие улучшения, а TPU-обучение потребовало обработки данных единым потоком и обучения в 32-битном режиме.

Сценарии применения

  • восстановление пропущенных слов в немецком тексте
  • получение контекстных представлений немецких предложений
  • дообучение для распознавания именованных сущностей на немецком
  • дообучение для классификации немецких текстов
  • оценка логического следования в немецких парах предложений

Ограничения

Контекст ограничен 514 токенами. По README, фильтрация данных дала лишь небольшие улучшения, а обучение на TPU выполнялось в 32-битном режиме из-за ограничений используемого фреймворка.

Для каких профессий подходит4

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

GottBERT: A pure German language model

GottBERT is the first German-only RoBERTa model, pre-trained on the German portion of the first released OSCAR dataset. This model aims to provide enhanced natural language processing (NLP) performance for the German language across various tasks, including Named Entity Recognition (NER), text classification, and natural language inference (NLI). GottBERT has been developed in two versions: a base model and a large model, tailored specifically for German-language tasks.

  • Model Type: RoBERTa
  • Language: German
  • Base Model: 12 layers, 125 million parameters
  • Large Model: 24 layers, 355 million parameters
  • License: MIT

This was presented in GottBERT: a pure German Language Model.

Pretraining Details

  • Corpus: German portion of the OSCAR dataset (Common Crawl).
  • Data Size:
    • Unfiltered: 145GB (~459 million documents)
    • Filtered: 121GB (~382 million documents)
  • Preprocessing: Filtering included correcting encoding errors (e.g., erroneous umlauts), removing spam and non-German documents using language detection and syntactic filtering.

Filtering Metrics

  • Stopword Ratio: Detects spam and meaningless content.
  • Punctuation Ratio: Detects abnormal punctuation patterns.
  • Upper Token Ratio: Identifies documents with excessive uppercase tokens (often noisy content).

Training Configuration

  • Framework: Fairseq
  • Hardware:
    • Base Model: 256 TPUv3 pod/128 TPUv4 pod
    • Large Model: 128 TPUv4 pod
  • Training Time:
    • Base Model: 1.2 days
    • Large Model: 5.7 days
  • Batch Size: 8k tokens
  • Learning Rate:
    • Base: Peak LR = 0.0004
    • Large: Peak LR = 0.00015
  • Training Iterations: 100k steps with a 10k warm-up phase

Evaluation and Results

GottBERT was evaluated across various downstream 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
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

Model Architecture

  • Base Model: 12 layers, 125M parameters, 52k token vocabulary.
  • Large Model: 24 layers, 355M parameters, 52k token vocabulary.

Tokenizer

  • Type: GPT-2 Byte-Pair Encoding (BPE)
  • Vocabulary Size: 52k subword tokens
  • Trained on: 40GB subsample of the unfiltered German OSCAR corpus.

Limitations

  • Filtered vs Unfiltered Data: Minor improvements seen with filtered data, but not significant enough to justify filtering in every case.
  • Computation Limitations: Fixed memory allocation on TPUs required processing data as a single stream, unlike GPU training which preserves document boundaries. Training was performed in 32-bit mode due to framework limitations, increasing memory usage.

Fairseq Checkpoints

Get the fairseq checkpoints here.

Citations

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

@inproceedings{scheible-etal-2024-gottbert,
    title = "{G}ott{BERT}: a pure {G}erman Language Model",
    author = "Scheible, Raphael  and
      Frei, Johann  and
      Thomczyk, Fabian  and
      He, Henry  and
      Tippmann, Patric  and
      Knaus, Jochen  and
      Jaravine, Victor  and
      Kramer, Frank  and
      Boeker, Martin",
    editor = "Al-Onaizan, Yaser  and
      Bansal, Mohit  and
      Chen, Yun-Nung",
    booktitle = "Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing",
    month = nov,
    year = "2024",
    address = "Miami, Florida, USA",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.emnlp-main.1183",
    pages = "21237--21250",
}

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
ef1c549

0 моделей