Характеристики

Контекст: 8 192 токена
Параметры: 410 млн
Лицензия: Apache 2.0
Архитектура: modernbert · dense
Базовая модель: modernbert-large-japanese-wikipedia-upos
Опубликована: 22 янв 2025

Ссылки

Hugging Face

modernbert-large-japanese-wikipedia-ud-triangular

KoichiYasuoka

Разметка токеновТекст → label3 профессии

Дообученная ModernBERT размечает японские тексты частями речи и синтаксическими зависимостями.

100скачиваний за 30 дней0лайковвеса обновлены31 авг 2026

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 ModernBERT для анализа японского текста: модель размечает части речи и синтаксические зависимости, включая связи goeswith для субслов. Это дообученная версия KoichiYasuoka/modernbert-large-japanese-wikipedia-upos на датасете UD_Japanese-GSDLUW.

Модель использует плотную архитектуру ModernBERT с классификационной головой для токенов и содержит 409,7 млн параметров. Она принимает текст на японском языке; нативная длина контекста — 8192 токена. В Transformers её можно запускать через pipeline с задачей universal-dependencies и агрегацией simple.

Модель подходит для морфосинтаксического анализа японских текстов и может служить компонентом лингвистических конвейеров. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Сценарии применения

разметка частей речи в японских текстах
синтаксический разбор предложений на японском языке
анализ зависимостей между словами и субсловами
подготовка японских текстов для лингвистических исследований

Ограничения

Модель ориентирована на японский язык и обучена на UD_Japanese-GSDLUW; её качество для других языков и доменов не заявлено. Для запуска через указанный в карточке pipeline требуется trust_remote_code=True.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

modernbert-large-japanese-wikipedia-ud-triangular

Model Description

This is a ModernBERT model pretrained for POS-tagging and dependency-parsing (using goeswith for subwords), derived from modernbert-large-japanese-wikipedia-upos and UD_Japanese-GSDLUW.

How to Use

from transformers import pipeline
nlp=pipeline("universal-dependencies","KoichiYasuoka/modernbert-large-japanese-wikipedia-ud-triangular",trust_remote_code=True,aggregation_strategy="simple")
print(nlp("全学年にわたって小学校の国語の教科書に挿し絵が用いられている"))

Reference

安岡孝一: 青空文庫ModernBERTモデルによる国語研長単位係り受け解析, 情報処理学会研究報告, Vol.2025-CH-137『人文科学とコンピュータ』, No.10 (2025年2月8日), pp.1-7.

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: ModernBertForTokenClassification
Ревизия весов: ff16649