/ Модель

Характеристики

Контекст
512 токенов
Параметры
190 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
MARBERTv2
Библиотека
transformers
Опубликована
7 мая 2025

marbertv2-arabic-written-dialect-classifier

Классификация текстаТекст → label4 профессии

BERT-модель на базе MARBERTv2 определяет один из пяти классов письменного арабского языка — от литературного арабского до региональных диалектов.

825скачиваний за 30 дней6лайковвеса обновлены11 мая 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

Это модель классификации письменных арабских диалектов, разработанная IbrahimAmin на базе MARBERTv2 и дообученная для распознавания пяти классов: магрибских диалектов, левантийского диалекта, современного литературного арабского, диалектов стран Залива и египетского диалекта. Модель использует архитектуру BERT и содержит около 190 млн параметров; максимальная длина контекста — 512 токенов.

Модель принимает арабский текст и предсказывает региональную категорию. Она предназначена для определения диалекта в коротких сообщениях из соцсетей, форумов и других источников неформального письма, а также для лингвистических исследований и диалектно-ориентированных систем обработки естественного языка. В карточке указано обучение на более чем 850 тысячах арабских предложений из общедоступных наборов данных.

Модель подходит для определения пяти широких региональных классов, но не различает отдельные страны или города внутри них. Результаты для коротких фрагментов, смешанного языка и диалектов, не представленных отдельными классами, могут быть неточными. Лицензия — Apache-2.0.

Сценарии применения

  • определение арабского диалекта в сообщениях соцсетей
  • классификация арабских текстов по регионам Магриба, Леванта, Залива и Египта
  • отделение современного литературного арабского от диалектного письма
  • разметка арабских текстов для лингвистических исследований
  • выбор диалектно-ориентированной обработки для арабоязычных сообщений

Ограничения

Модель различает пять широких классов и не предназначена для определения конкретной страны или города. Короткие, смешанные или относящиеся к неохваченным разновидностям арабского языка тексты могут классифицироваться неточно.

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

✍🏻 MARBERTv2 Arabic Written Dialect Classifier

Model Overview

This model is a fine-tuned version of UBC-NLP/MARBERTv2 for Arabic written dialect classification. It identifies Modern Standard Arabic (MSA) and 4 regional Arabic dialects from raw text.

This model is intended for use in tasks such as dialect identification, linguistic research, and dialect-aware natural language processing systems.


📌 Model Details

This model is fine-tuned from MARBERTv2, a transformer-based language model optimized for Arabic, on a multi-dialect classification task. It distinguishes among five major written Arabic dialect regions:

  • MAGHREB (North African dialects)
  • LEV (Levantine dialects)
  • MSA (Modern Standard Arabic)
  • GLF (Gulf dialects)
  • EGY (Egyptian Arabic)

It is intended for dialect identification in short Arabic text snippets from various sources including social media, forums, and informal writing.


📊 Labels (id2label)

The model predicts one of the following five classes:

{
  "0": "MAGHREB", // Maghreb dialect (Northwest Africa: Morocco, Algeria, Tunisia, etc.)
  "1": "LEV",     // Levantine dialect (Lebanon, Syria, Jordan, Palestine)
  "2": "MSA",     // Modern Standard Arabic
  "3": "GLF",     // Gulf dialect (Saudi Arabia, UAE, Kuwait, etc.)
  "4": "EGY",      // Egyptian dialect
}

📚 Training Data

The model was trained about 850,000+ Arabic sentences from 9 different publicly available datasets, covering a wide variety of written Arabic dialects.

Distribution by Dialect:

DialectCount
GLF253,553
LEV243,025
MAGHREB140,887
EGY105,226
MSA83,231

⚙️ Training Details

  • Architecture: MARBERTv2 (BERT-based)
  • Task: Text Classification (Dialect Identification)
  • Objective: Multi-class classification with softmax over 5 dialect classes
  • Tokenizer: UBC-NLP/MARBERTv2

📂 Datasets Used

Below is a detailed overview of the datasets used in training and/or considered during development:

DatasetBrief DescriptionAnnotation strategyProvided LabelsCurrent SOTA Performance
MADAR Subtask-1 (MADAR-6)A Collection of parallel sentences (BTEC) covering the dialects of 5 cities from the Arab World and MSA in the travel domain (10,000 sentences per city)Manual5 Arab Cities + MSA92.5% Accuracy
MADAR Subtask-1 (MADAR-26)A Collection of parallel sentences (BTEC) covering the dialects of 25 cities from the Arab World and MSA in the travel domain (2,000 sentences per city)Manual25 Arab Cities + MSA67.32% F1-Score
DART25K tweets that are annotated via crowdsourcing and it is well-balanced over five main groups of Arabic dialectsManual5 Arab RegionsUNK
ArSarcasm v110,547 tweets from ASTD and SemEval datasets for Sarcasm detection with the dilaect information added inManual4 Arab Regions + MSAUNK
ArSarcasm v2ArSarcasm-v2 dataset contains 15,548 Tweets and is an extension of the original ArSarcasm dataset (Consists of ArScarcasm v1 along with portions of DAICT corpus and some new tweets)Manual4 Arab Regions + MSAUNK
IADDFive publicly available corpora were identified, analyzed and filtered to build IADD (AOC, DART, PADIC, SHAMI and TSAC)________5 Regions and 9 CountriesUNK
QADI540k tweets (30k per country on average) with a total of 8.8M wordsAutomatic18 Arab Countries60.6%
AOCThe Arabic Online Commentary dataset is based on reader commentary from the online versions of three Arabic newspapers:AlGhad from JOR, Al-Riyadh from KSA, and Al-Youm Al-Sabe’ from EGYManual3 Arab Regions + MSAUNK
NADI-202025,957 Tweets from 100 Arab provinces and 21 Arab countriesAutomatic100 Prov. and 21 Coun.6.39% - 26.78%

💡 Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "IbrahimAmin/marbertv2-arabic-written-dialect-classifier"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

text = "الدنيا مش مستاهلة تجري كده، خد وقتك واستمتع بالحاجة البسيطة"
inputs = tokenizer(text, return_tensors="pt")

# Run inference
with torch.inference_mode():
    logits = model(**inputs).logits

pred = torch.argmax(logits, dim=-1).item()

print(f"Predicted Dialect: {model.config.id2label[pred]}")

✨ Acknowledgements

  • MARBERTv2 team at UBC-NLP
  • Contributors of the Arabic dialect datasets used in training

📝 Citation

If you use this model in your research or application, please cite:

@misc{ibrahimamin_marbertv2_arabic_written_dialect_classifier,
  author = {Ibrahim Amin},
  title = {MARBERTv2 Arabic Written Dialect Classifier},
  year = {2025},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/IbrahimAmin/marbertv2-arabic-written-dialect-classifier}},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
5aa8410

0 моделей