/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
bert-base-multilingual-cased
Опубликована
24 июн 2026

mari_mbert

Заполнение пропусковТекст → текст3 профессии

Дообученная версия многоязычного BERT для восстановления замаскированных фрагментов марийского текста и разработки NLP-инструментов для марийского языка.

11скачиваний за 30 дней0лайковвеса обновлены24 июн 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

Mari mBERT — модель семейства BERT, разработанная в рамках магистерской работы по лингвистике в Волжском государственном университете технологий для поддержки цифровых инструментов марийского языка. Это дообученная на корпусе из примерно 1,4 млн строк марийского текста модель google-bert/bert-base-multilingual-cased с архитектурой BertForMaskedLM и 205,1 млн параметров. В токенизатор добавлены 13 марийских буквенных знаков, отсутствовавших в исходном словаре. Модель принимает текст и предсказывает замаскированные в нём токены; длина контекста — до 512 токенов.

Основная задача — восстановление пропущенных слов и буквенных последовательностей в марийском тексте. Модель задумана как основа для проверки орфографии и автокоррекции, предиктивного ввода, языковых упражнений, а также дальнейшего дообучения для разметки частей речи и синтаксического анализа. В описанной оценке точность составила 53,57% на 13 292 замаскированных позициях; карточка также сообщает о высоких показателях ранжирования относительно сопоставимых проектов малоресурсных языков.

Модель распространяется по лицензии MIT. Обучающий корпус монолингвальный, диалектные варианты Hill Mari и Meadow Mari не разделены, а автоматические метрики не заменяют оценку носителями языка. Показатели на задачах проверки орфографии, предиктивного ввода и других прикладных сценариях в карточке не приведены.

Сценарии применения

  • восстановление пропущенных слов в марийском тексте
  • проверка орфографии и автокоррекция марийских текстов
  • предиктивный ввод марийского текста на мобильных устройствах
  • создание упражнений с пропусками для изучающих марийский язык
  • дообучение для разметки частей речи и синтаксического анализа марийского

Ограничения

Корпус монолингвальный, а диалектные варианты Hill Mari и Meadow Mari не разделены. Автоматические метрики не заменяют оценку носителями языка; результаты для прикладных сценариев вроде автокоррекции в карточке не приведены.

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

Mari mBERT: Fine-tuning Multilingual BERT for the Mari Language

This repository contains the code and methodology for fine-tuning bert-base-multilingual-cased (mBERT) on a monolingual Mari language corpus using Masked Language Modeling (MLM). The project was developed as part of a Master's thesis in Linguistics at Volga State University of Technology (VSTU), within the research area of AI-assisted language revitalization.

Background

The Mari language is a Finno-Ugric language of the Volga region classified as low-resource: despite an active speaker community, it remains underrepresented in digital NLP infrastructure. This project addresses that gap by adapting a multilingual transformer model to Mari through targeted fine-tuning, following a methodology comparable to the LakotaBERT project.

The central technical contribution is the extension of the mBERT tokenizer vocabulary with Mari-specific graphemes absent from the standard token set, combined with MLM fine-tuning on a large monolingual corpus. The result is a reproducible, open-source baseline model for Mari NLP tasks.

Dataset

  • Corpus: mari-lab/mari-monolingual-corpus (Mari Laboratory, Hugging Face)
  • Size: approximately 1.4 million lines of Mari text
  • Split: 90% training / 10% validation
  • Format: one sentence per line (JSONL)

Model

  • Base: google-bert/bert-base-multilingual-cased
  • Task: Masked Language Modeling (MLM), 15% masking probability
  • Tokenizer extension: 13 Mari graphemes added (ҥ ӧ ӱ ӹ ӓ ӆ ӊ and uppercase variants)
  • Hardware: NVIDIA A100 80 GB
  • Precision: bfloat16 (native A100 Tensor Core support)

Training Configuration

ParameterValue
Sequence length200 tokens
Batch size128
Gradient accumulation1
Epochs5
Learning rate3e-5
MLM probability15%
OptimizerAdamW (fused)
Weight decay0.01
Warmup ratio0.06

Evaluation Results

Evaluation was performed on 2,000 sampled sequences (13,292 masked positions), following the LakotaBERT Table 4 protocol.

MetricMari mBERT (this work)LakotaBERTmBERT baseline
Accuracy53.57%51.48%54.42%
Precision0.540.560.50
F1-Score0.540.490.54
MRR0.630.510.51
CER0.320.430.38
Hit@100.810.310.24
BLEU0.410.090.09

The model shows strong ranking performance (MRR, Hit@10) relative to comparable low-resource projects, attributable in part to the typological proximity of Mari to other Finno-Ugric languages already represented in the mBERT pretraining corpus (Finnish, Estonian, Hungarian).

Output Artifacts

After training, the following files are saved to the output directory:

  • model.safetensors — fine-tuned model weights
  • tokenizer_config.json — extended tokenizer configuration
  • metrics.json — full evaluation metrics
  • training_dynamics.png — train/validation loss curves
  • metrics_summary.png — bar chart of evaluation metrics

Requirements

torch >= 2.0
transformers
datasets
nltk
numpy
pandas
matplotlib
tqdm

Install dependencies:

pip install torch transformers datasets nltk numpy pandas matplotlib tqdm

Usage

Prepare the corpus as a JSONL file with one field text per line, then run:

python mari_mbert_a100.py

Key environment variables for configuration:

VariableDefaultDescription
SEQ200Sequence length
BS128Batch size per device
EP5Number of training epochs
LR3e-5Learning rate
WORKERS16DataLoader worker count
METRICS_SAMPLE2000Sequences sampled for evaluation
USE_COMPILE0Enable torch.compile (experimental)

Intended Applications

The fine-tuned model is intended as a foundation for downstream Mari NLP tools, including spell-checking and autocorrection systems, predictive text input for mobile devices and messengers, fill-in-the-blank and grammar exercises for language learners, and further fine-tuning for POS tagging and syntactic parsing.

Limitations

  • The training corpus is monolingual; parallel Mari-Russian data was not used
  • Dialectal variation between Hill Mari and Meadow Mari is not separated in the corpus
  • Automated metrics do not substitute for evaluation by native speakers

Reproducibility

All code is published under an open license. The training corpus is publicly available on Hugging Face. Any researcher can reproduce the full experiment using the provided script and corpus.

Citation

If you use this work, please cite:

Zadvornykh, A. S. Use of AI systems to preserve and revitalize languages. Yoshkar-Ola, 24 June 2026. Yoshkar-Ola: VSTU, 2026.

Lexei1297/mari_mbert

Acknowledgments

  • Mari Laboratory for the open monolingual Mari corpus
  • Google Research for the bert-base-multilingual-cased model
  • The LakotaBERT project for the evaluation methodology

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
fc8b584

0 моделей