/ Модель

Характеристики

Контекст
42 токена
Параметры
4,2 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
6 июл 2022

ru-word-stress-transformer

Разметка токеновТекст → label3 профессии

Компактная модель DeBERTa v2 для автоматического определения ударения в русских словах.

242скачиваний за 30 дней5лайковвеса обновлены31 дек 2022

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

ru-word-stress-transformer — модель на основе энкодера DeBERTa v2, разработанная Ilya Gusev для определения ударения в русских словах. Она предсказывает ударение на уровне токенов и предназначена для автоматической расстановки ударений в русскоязычном тексте.

Модель содержит 4,2 млн параметров, принимает текст и выдаёт метки токенов. Родной контекст — до 42 токенов. Опубликована в формате PyTorch под лицензией Apache-2.0.

Сценарии применения

  • расстановка ударений в русском тексте
  • подготовка текста для озвучивания с правильным ударением
  • определение ударной гласной в словах
  • подготовка учебных материалов по русскому произношению

Ограничения

Контекст ограничен 42 токенами; карточка не описывает качество на разных жанрах текста и обработку редких или неоднозначных слов.

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

RuWordStressTransformer

Model description

Transformer encoder for predicting word stress in Russian.

Intended uses & limitations

How to use

from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

model_name = "IlyaGusev/ru-word-stress-transformer"
tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    trust_remote_code=True,
    revision="bae83dd"
)
model = AutoModelForTokenClassification.from_pretrained(model_name)
pipe = pipeline(
    "token-classification",
    model=model,
    tokenizer=tokenizer,
    device=-1,
    aggregation_strategy="none",
    ignore_labels=("NO",)
)
text = "щеколда"
print(text)
index = pipe(text)[0]["index"]
print(text[:index] + "'" + text[index:])

Colab: link

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForTokenClassification
Ревизия весов
b44e211

0 моделей