/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
23 фев 2024

NusaBERT-large

Заполнение пропусковТекст → текст3 профессии

Многоязычная модель BERT для восстановления замаскированных слов в индонезийском и других языках Юго-Восточной Азии.

610скачиваний за 30 дней1лайквеса 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 Large — многоязычная языковая модель на основе энкодера BERT, разработанная LazarusNLP. Это версия IndoBERT Large p1, продолжительно предобученная примерно на 16 млрд токенов из открытых корпусов, включая индонезийскую Википедию, KoPI-NLLB и CulturaX. Модель содержит 435,5 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов.

Модель предназначена для восстановления замаскированных слов и может служить основой для задач анализа текста на индонезийском и нескольких языках Юго-Восточной Азии. В README приведены результаты оценки на отложенной части корпуса: accuracy 0,7117 и perplexity 3,769. Она обучалась с Transformers и PyTorch, распространяется под лицензией Apache 2.0.

Сценарии применения

  • предсказание пропущенных слов в индонезийском тексте
  • восстановление замаскированных токенов на яванском языке
  • адаптация энкодера для анализа индонезийского текста
  • предобученное представление для задач классификации текстов на языках региона

Ограничения

Контекст ограничен 512 токенами; приведённые метрики рассчитаны на отложенной части обучающих корпусов и сами по себе не показывают качество на прикладных задачах.

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 Large

NusaBERT Large 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: 0.7117
  • eval_loss: 1.3268
  • perplexity: 3.7690

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

Model Detail

  • Developed by: LazarusNLP
  • Finetuned from: IndoBERT Large 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-large"

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: 3e-05
  • 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 4.38.1
  • Pytorch 2.2.0+cu118
  • Datasets 2.17.1
  • Tokenizers 0.15.2

Credits

NusaBERT Large 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
e08138c

0 моделей