/ Модель

Характеристики

Контекст
514 токенов
Параметры
153 млн
Лицензия
MIT
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
30 июл 2025

HalleluBERT_base

Заполнение пропусковТекст → текст4 профессии

Энкодер RoBERTa, обученный с нуля на иврите, для заполнения пропусков и использования в задачах анализа текста.

181скачиваний за 30 дней2лайкавеса обновлены12 авг 2026

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

HalleluBERT-base — энкодерная языковая модель на архитектуре RoBERTa, разработанная как часть семейства HalleluBERT для современного иврита. Модель обучена с нуля на очищенных веб-текстах на иврите и Hebrew Wikipedia; вариант base содержит около 126 млн параметров в fp32. В метаданных репозитория указано 153,2 млн параметров и контекст длиной 514 токенов.

Модель предназначена прежде всего для заполнения пропусков в тексте на иврите и может служить основой для задач понимания текста, включая распознавание именованных сущностей и анализ тональности. Токенизатор использует byte-level BPE в стиле GPT-2 с размером словаря 52 009. В README сообщается об оценке семейства на бенчмарках NER и анализа тональности для иврита.

Модель распространяется по лицензии MIT. Это энкодерная модель для анализа текста, а не генеративная модель для свободного продолжения текста.

Сценарии применения

  • Подстановка пропущенного слова в предложении на иврите
  • Подготовка эмбеддингов и представлений текста на иврите для downstream-задач
  • Дообучение для распознавания именованных сущностей на иврите
  • Дообучение для классификации тональности текстов на иврите

Ограничения

Это энкодерная masked-language-модель, поэтому она не предназначена для свободной генерации длинных текстов. Приведённые в README результаты downstream-оценки относятся к бенчмаркам на иврите и не гарантируют качество на других языках или задачах.

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

HalleluBERT: Let every token that has meaning bear its weight

HalleluBERT is a family of RoBERTa-based Modern Hebrew language models pre-trained from scratch on ~49.1 GB of deduplicated Hebrew web text (HeDC4 / HeRo corpus) and Hebrew Wikipedia. The models aim to provide the first fully converged Hebrew RoBERTa encoder family, including a large variant, and to push state-of-the-art performance on core Hebrew benchmarks.

We release two variants:

  • HalleluBERT-base: 126M parameters (fp32)
  • HalleluBERT-large: 357M parameters (fp32)

Model Details

DetailHalleluBERT-baseHalleluBERT-large
ArchitectureRoBERTa-baseRoBERTa-large
Parameters~126M~357M
TokenizerGPT-2 style byte-level BPE (52,009 vocab)Same
Pretraining corpusHeDC4 (mC4 + OSCAR22) + Hebrew Wikipedia (~49.1 GB)Same
ObjectiveMasked Language ModelingSame
Training steps100k updates, global batch size 8kSame
LR schedule10k warmup + polynomial decaySame
Peak learning rate0.00040.00015
Training time~30.2 hours (TPUv4-128 pod)~6.0 days (TPUv4-128 pod)
Precisionfp32fp32
Frameworkfairseqfairseq

Downstream Evaluation

We evaluate HalleluBERT on three Hebrew benchmarks (following the HeRo suite, restricted to NER + sentiment):

  • NER (BMC split 1): micro-F1
  • NER (NEMO², token-level): micro-F1
  • Sentiment (SMCD, deduplicated): macro-F1

We select the best configuration by validation performance and report the best score out of 10 runs on the official test sets.

🧪 Evaluation Results

Legend: Bold = best, underline = second-best within each model size group.

ModelBMC (micro-F1)NEMO (micro-F1)AVG NERSMCD (macro-F1)AVG (all)
Large models
HalleluBERT_large93.2388.7090.9684.9188.95
XLM-RoBERTa_large92.3186.4189.3683.7487.49
Base models
HeBERT89.3376.1682.7482.6482.71
AlephBERT91.3681.5286.4483.6685.51
HeRo92.0083.3587.6880.9585.43
HalleluBERT_base93.3387.0690.2083.0987.83
mmBERT_small83.9671.9577.9681.8979.27
AlephBERT-Gimmel92.4685.8689.1682.6686.99
XLM-RoBERTa_base86.3279.3782.8482.0782.59
mmBERT_base84.6177.9781.2983.5582.04

Fairseq Checkpoint

Get the fairseq checkpoint here.

Citation

If you use HalleluBERT in your research, please cite the corresponding paper (replace with your final bib entry if you already have one):

@inproceedings{schmitt-2026-hallelubert,
  title = {HalleluBERT: Let Every Token That Has Meaning Bear Its Weight},
  author = {Schmitt, Raphael},
  booktitle = {Proceedings of the Fifteenth Language Resources and Evaluation Conference (LREC 2026)},
  month = {May},
  year = {2026},
  pages = {3022--3030},
  address = {Palma, Mallorca, Spain},
  publisher = {European Language Resources Association (ELRA)},
  editor = {Piperidis, Stelios and Bel, Núria and van den Heuvel, Henk and Ide, Nancy and Krek, Simon and Toral, Antonio},
  doi = {10.63317/3qdqexx4e9i2}
}

📜 License

MIT License

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
9847cc9

0 моделей