Характеристики

Контекст: 512 токенов
Параметры: 138 млн
Лицензия: CC BY-SA 4.0
Архитектура: deberta-v2 · dense
Опубликована: 25 июн 2022

Ссылки

Hugging Face

deberta-base-japanese-wikipedia

KoichiYasuoka

Заполнение пропусковТекст → текст3 профессии

Японская DeBERTa V2 для заполнения пропусков в тексте и дообучения на задачах обработки японского языка.

187скачиваний за 30 дней2лайкавеса обновлены27 янв 2023

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

Koichi Yasuoka разработал модель DeBERTa V2, предварительно обученную на японской Википедии и текстах 青空文庫. Это языковая модель с 137,8 млн параметров для заполнения пропусков в тексте; её также можно дообучать для разметки частей речи, синтаксического анализа зависимостей и других задач обработки японского языка. Модель принимает текст с маскированными фрагментами и предсказывает подходящие токены. Контекст ограничен 512 токенами.

Модель основана на архитектуре DeBERTa V2, распространяется в формате PyTorch и лицензирована по CC BY-SA 4.0. Она подходит для экспериментов и прикладных задач на японских текстах; для задач разметки и синтаксического анализа потребуется отдельное дообучение.

Сценарии применения

предсказание пропущенных слов в японском тексте
подготовка базовой модели для разметки частей речи
дообучение для синтаксического анализа японских предложений

Ограничения

Контекст модели ограничен 512 токенами. Для разметки частей речи и синтаксического анализа модель необходимо дообучить.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

deberta-base-japanese-wikipedia

Model Description

This is a DeBERTa(V2) model pre-trained on Japanese Wikipedia and 青空文庫 texts. NVIDIA A100-SXM4-40GB took 109 hours 27 minutes for training. You can fine-tune deberta-base-japanese-wikipedia for downstream tasks, such as POS-tagging, dependency-parsing, and so on.

How to Use

from transformers import AutoTokenizer,AutoModelForMaskedLM
tokenizer=AutoTokenizer.from_pretrained("KoichiYasuoka/deberta-base-japanese-wikipedia")
model=AutoModelForMaskedLM.from_pretrained("KoichiYasuoka/deberta-base-japanese-wikipedia")

Reference

安岡孝一: 青空文庫DeBERTaモデルによる国語研長単位係り受け解析, 東洋学へのコンピュータ利用, 第35回研究セミナー (2022年7月), pp.29-43.

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: DebertaV2ForMaskedLM
Ревизия весов: 88feb34