/ Модель

Характеристики

Контекст
514 токенов
Параметры
162 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Опубликована
11 июн 2024

EriBERTa-base

Заполнение пропусковТекст → текст3 профессии

Двуязычная модель RoBERTa для заполнения пропусков и анализа клинических текстов на английском и испанском языках.

187скачиваний за 30 дней3лайкавеса обновлены1 июл 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

EriBERTa-base — двуязычная доменно-специализированная языковая модель для клинической обработки текста, разработанная Икером де ла Иглесиа, Айцибер Атутчей, Кольдо Гохенолой и Андером Барреной. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; она обучена на медицинских и клинических корпусах на английском и испанском языках. Репозиторий предоставляет веса PyTorch и safetensors, лицензия — Apache-2.0.

Модель предназначена прежде всего для задачи заполнения маскированных фрагментов текста. Её можно адаптировать для клинического NER и классификации текста; авторы также отмечают потенциал переноса знаний между языками, что может быть полезно при нехватке клинических данных на испанском. Длина контекста составляет 514 токенов.

Модель показала преимущества над предшествующими испанскими языковыми моделями в клинической области, однако её следует проверять и валидировать для конкретного применения. Данные из разных источников, в том числе собранные веб-сканированием, могут недостаточно охватывать отдельные клинические поддомены, редкие заболевания и языковые варианты, а также содержать демографические и лингвистические смещения. EriBERTa не предназначена для медицинской диагностики или критически важных решений; результаты требуют проверки специалистом.

Сценарии применения

  • восстановление пропущенных слов в клинических записях
  • подготовка англоязычных и испаноязычных медицинских текстов для последующей классификации
  • адаптация модели для распознавания медицинских сущностей
  • перенос клинических языковых знаний между английским и испанским

Ограничения

Качество может быть ниже для редких заболеваний, отдельных клинических поддоменов и недостаточно представленных языковых или демографических групп. Модель не является медицинским устройством и не должна использоваться для диагностики или критических решений без тщательной проверки и надзора специалистов.

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

How to Get Started with the Model

You can load the model using:

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("HiTZ/EriBERTa-base")
model = AutoModelForMaskedLM.from_pretrained("HiTZ/EriBERTa-base")

Model Description

  • Developed by: Iker De la Iglesia, Aitziber Atutxa, Koldo Gojenola, and Ander Barrena
  • Contact: Iker De la Iglesia and Ander Barrena
  • Language(s) (NLP): English, Spanish
  • License: apache-2.0
  • Funding:
    • The Spanish Ministry of Science and Innovation, MCIN/AEI/ 10.13039/501100011033/FEDER projects:
      • Proyectos de Generación de Conocimiento 2022 (EDHIA PID2022-136522OB-C22)
      • DOTT-HEALTH/PAT-MED PID2019-543106942RB-C31.
      • EU NextGeneration EU/PRTR (DeepR3 TED2021-130295B-C31, ANTIDOTE PCI2020-120717-2 EU ERA-Net CHIST-ERA).
    • Basque Government:
      • IXA IT1570-22.

Model Details

Training Data

Limitation and Bias

Biases

Disclaimer

Citing information

@misc{delaiglesia2023eriberta,
      title={{EriBERTa: A Bilingual Pre-Trained Language Model for Clinical Natural Language Processing}}, 
      author={Iker De la Iglesia and Aitziber Atutxa and Koldo Gojenola and Ander Barrena},
      year={2023},
      eprint={2306.07373},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

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
a1221b6

0 моделей