/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
21 фев 2024

NusaBERT-base

Заполнение пропусковТекст → текст3 профессии

Многоязычная BERT-модель LazarusNLP для предсказания пропущенных слов в индонезийском и региональных языках Юго-Восточной Азии.

2 894скачиваний за 30 дней4лайкавеса обновлены5 мар 2024

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

NusaBERT Base — многоязычная языковая модель на архитектуре BERT, разработанная LazarusNLP. Это энкодер с 137,8 млн параметров, дообученный продолжительным предобучением на примерно 16 млрд токенов из открытых корпусов, включая индонезийскую Википедию, KoPI-NLLB и CulturaX. Модель предназначена для задачи заполнения пропусков в тексте: она предсказывает скрытые токены и может служить основой для языковых задач с энкодером.

Модель рассчитана на индонезийский и ряд региональных языков Юго-Восточной Азии: ачехский, балийский, банжарский, бугинский, горантало, яванский, баньюмасанский, минангкабау, малайский, ниасский, сунданский и тетум. Использует библиотеку Transformers, принимает текст, а контекст ограничен 512 токенами. Выпущена под лицензией Apache 2.0.

Сценарии применения

  • предсказание пропущенного слова в индонезийском тексте
  • восстановление скрытых токенов в яванских и малайских текстах
  • получение контекстных представлений предложений на языках Индонезии
  • адаптация энкодерной модели для региональных языковых задач

Ограничения

Ограничение контекста — 512 токенов. Это энкодерная модель для предсказания замаскированных токенов, а не модель для генерации длинных текстов в диалоговом формате.

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

NusaBERT Base

NusaBERT Base is a multilingual encoder-based language model based on the BERT architecture. We conducted continued pre-training on open-source corpora of sabilmakbar/indo_wiki, acul3/KoPI-NLLB, and uonlp/CulturaX. On a held-out subset of the corpus, our model achieved:

  • eval_accuracy: 0.6866
  • eval_loss: 1.4876
  • perplexity: 4.4266

This model was trained using the 🤗Transformers PyTorch framework. All training was done on an NVIDIA H100 GPU. LazarusNLP/NusaBERT-base is released under Apache 2.0 license.

Model Detail

  • Developed by: LazarusNLP
  • Finetuned from: IndoBERT base p1
  • Model type: Encoder-based BERT language model
  • Language(s): Indonesian, Acehnese, Balinese, Banjarese, Buginese, Gorontalo, Javanese, Banyumasan, Minangkabau, Malay, Nias, Sundanese, Tetum
  • License: Apache 2.0
  • Contact: LazarusNLP

Use in 🤗Transformers

from transformers import AutoTokenizer, AutoModelForMaskedLM

model_checkpoint = "LazarusNLP/NusaBERT-base"

tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
model = AutoModelForMaskedLM.from_pretrained(model_checkpoint)

Training Datasets

Around 16B tokens from the following corpora were used during pre-training.

Training Hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0003
  • train_batch_size: 256
  • eval_batch_size: 256
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 24000
  • training_steps: 500000

Framework versions

  • Transformers 4.37.2
  • Pytorch 2.2.0+cu118
  • Datasets 2.17.1
  • Tokenizers 0.15.1

Credits

NusaBERT Base is developed with love by:

Citation

@misc{wongso2024nusabert,
  title={NusaBERT: Teaching IndoBERT to be Multilingual and Multicultural}, 
  author={Wilson Wongso and David Samuel Setiawan and Steven Limcorn and Ananto Joyoadikusumo},
  year={2024},
  eprint={2403.01817},
  archivePrefix={arXiv},
  primaryClass={cs.CL}
}

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
BertForMaskedLM
Ревизия весов
e52beec

0 моделей