Характеристики

Контекст: 512 токенов
Параметры: 435 млн
Лицензия: CC BY-SA 4.0
Архитектура: deberta-v2 · dense
Опубликована: 5 июл 2022

Ссылки

Hugging Face

deberta-large-japanese-wikipedia

KoichiYasuoka

Заполнение пропусковТекст → текст3 профессии

Японская DeBERTaV2-модель для заполнения пропусков в тексте и дообучения под задачи анализа японского языка.

182скачиваний за 30 дней3лайкавеса обновлены27 фев 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 эту языковую модель DeBERTaV2, предварительно обученную на японской Википедии и текстах 青空文庫. Модель с 435,4 млн параметров предназначена для заполнения пропусков в тексте и может служить основой для дообучения под задачи разметки частей речи и синтаксического анализа зависимостей.

Модель принимает текст с замаскированными фрагментами и предсказывает подходящие токены на их месте. Она работает с японским языком, имеет контекстное окно 512 токенов и доступна в формате PyTorch. Лицензия CC BY-SA 4.0 требует указания авторства и распространения производных материалов на совместимых условиях.

Сценарии применения

заполнение пропущенных слов в японском тексте
дообучение для разметки частей речи на японском
дообучение для синтаксического анализа зависимостей
получение контекстных представлений японских текстов

Ограничения

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

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-large-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 632 hours 19 minutes for training. You can fine-tune deberta-large-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-large-japanese-wikipedia")
model=AutoModelForMaskedLM.from_pretrained("KoichiYasuoka/deberta-large-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: 162db47