DeBERTa V2, обученная на тайской Википедии, предсказывает пропущенные токены и может служить основой для тайских задач NLP после дообучения.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Koichi Yasuoka разработал DeBERTa V2 — модель с маскированным языковым моделированием, предварительно обученную на текстах тайской Википедии. Она содержит 115,6 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для заполнения масок в тайском тексте, а также для дообучения под задачи разметки частей речи и синтаксического анализа зависимостей.
Модель использует архитектуру DeBERTa V2 и распространяется в формате PyTorch. Лицензия Apache-2.0. Карточка приводит пример загрузки через Transformers с AutoTokenizer и AutoModelForMaskedLM. Для специализированных downstream-задач требуется дообучение; сведений о качестве на конкретных бенчмарках в карточке нет.
Контекст ограничен 512 токенами. Для разметки частей речи и синтаксического анализа зависимостей модель нужно дообучить; карточка не приводит результатов бенчмарков.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This is a DeBERTa(V2) model pre-trained on Thai Wikipedia texts. NVIDIA A100-SXM4-40GB took 10 hours 17 minutes for training. You can fine-tune deberta-base-thai for downstream tasks, such as POS-tagging, dependency-parsing, and so on.
from transformers import AutoTokenizer,AutoModelForMaskedLM
tokenizer=AutoTokenizer.from_pretrained("KoichiYasuoka/deberta-base-thai")
model=AutoModelForMaskedLM.from_pretrained("KoichiYasuoka/deberta-base-thai")
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · fill-mask
Подбираем GPU…