/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
CC0 1.0
Архитектура
xlm-roberta · dense
Опубликована
11 авг 2022

XLMR-MaCoCu-is

ЭмбеддингиТекст → embedding3 профессии

Крупная модель XLM-RoBERTa, дополнительно обученная на исландских текстах для извлечения контекстных представлений и решения языковых задач.

101скачиваний за 30 дней0лайковвеса обновлены8 авг 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

XLMR-MaCoCu-is — крупная предварительно обученная языковая модель для исландского языка, разработанная Риком ван Ноордом из Университета Гронингена в рамках проекта MaCoCu. Это продолжение обучения XLM-RoBERTa-large на собранных проектом исландских текстах: 4,4 ГБ, или около 688 млн токенов. Модель использует словарь XLM-RoBERTa-large и имеет около 658,7 млн параметров; максимальная длина контекста — 514 токенов.

Модель предназначена для получения контекстных представлений текста и как основа для языковых задач на исландском, включая разметку частей речи, распознавание именованных сущностей и оценку языкового понимания. Её проверяли на UPOS, XPOS, NER и COPA. Доступны веса для PyTorch, TensorFlow и JAX. Лицензия — CC0 1.0.

Сценарии применения

  • извлечение контекстных представлений исландских текстов
  • разметка частей речи в исландском языке
  • распознавание именованных сущностей в исландских текстах
  • оценка понимания причинно-следственных связей на исландском языке
  • дообучение моделей для NLP-задач на исландском

Ограничения

Окно контекста ограничено 514 токенами; модель обучалась на исландских текстах и может хуже работать на других языках. Для прикладных задач разметки и классификации потребуется соответствующая задача дообучения.

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

Model description

XLMR-MaCoCu-is is a large pre-trained language model trained on Icelandic texts. It was created by continuing training from the XLM-RoBERTa-large model. It was developed as part of the MaCoCu project and only uses data that was crawled during the project. The main developer is Rik van Noord from the University of Groningen.

XLMR-MaCoCu-is was trained on 4.4GB of Icelandic text, which is equal to 688M tokens. It was trained for 75,000 steps with a batch size of 1,024. It uses the same vocabulary as the original XLMR-large model.

The training and fine-tuning procedures are described in detail on our Github repo.

How to use

from transformers import AutoTokenizer, AutoModel, TFAutoModel

tokenizer = AutoTokenizer.from_pretrained("RVN/XLMR-MaCoCu-is")
model = AutoModel.from_pretrained("RVN/XLMR-MaCoCu-is") # PyTorch
model = TFAutoModel.from_pretrained("RVN/XLMR-MaCoCu-is") # Tensorflow

Data

For training, we used all Icelandic data that was present in the monolingual Icelandic MaCoCu corpus. After de-duplicating the data, we were left with a total of 4.4 GB of text, which equals 688M tokens.

Benchmark performance

We tested the performance of XLMR-MaCoCu-is on benchmarks of XPOS, UPOS, NER and COPA. For UPOS and XPOS, we used the data from the Universal Dependencies project. For NER, we used the data from the MIM-GOLD-NER data set. For COPA, we automatically translated the English data set by using Google Translate. For details please see our Github repo. We compare performance to the strong multi-lingual models XLMR-base and XLMR-large, but also the monolingual IceBERT model. For details regarding the XPOS/UPOS/NER fine-tuning procedure you can checkout our Github.

Scores are averages of three runs, except for COPA, for which we use 10 runs. We use the same hyperparameter settings for all models.

UPOSUPOSXPOSXPOSNERNERCOPA
DevTestDevTestDevTestTest
XLM-R-base96.896.594.694.385.389.755.2
XLM-R-large97.096.794.994.788.591.754.3
IceBERT96.496.094.093.783.889.754.6
XLMR-MaCoCu-is97.397.095.495.190.893.259.6

Acknowledgements

Research supported with Cloud TPUs from Google's TPU Research Cloud (TRC). The authors received funding from the European Union’s Connecting Europe Facility 2014- 2020 - CEF Telecom, under Grant Agreement No.INEA/CEF/ICT/A2020/2278341 (MaCoCu).

Citation

If you use this model, please cite the following paper:

@inproceedings{non-etal-2022-macocu,
    title = "{M}a{C}o{C}u: Massive collection and curation of monolingual and bilingual data: focus on under-resourced languages",
    author = "Ba{\~n}{\'o}n, Marta  and
      Espl{\`a}-Gomis, Miquel  and
      Forcada, Mikel L.  and
      Garc{\'\i}a-Romero, Cristian  and
      Kuzman, Taja  and
      Ljube{\v{s}}i{\'c}, Nikola  and
      van Noord, Rik  and
      Sempere, Leopoldo Pla  and
      Ram{\'\i}rez-S{\'a}nchez, Gema  and
      Rupnik, Peter  and
      Suchomel, V{\'\i}t  and
      Toral, Antonio  and
      van der Werff, Tobias  and
      Zaragoza, Jaume",
    booktitle = "Proceedings of the 23rd Annual Conference of the European Association for Machine Translation",
    month = jun,
    year = "2022",
    address = "Ghent, Belgium",
    publisher = "European Association for Machine Translation",
    url = "https://aclanthology.org/2022.eamt-1.41",
    pages = "303--304"
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
7a56493

0 моделей