/ Модель

Характеристики

Контекст
512 токенов
Параметры
452 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
29 апр 2024

TookaBERT-Large

Заполнение пропусковТекст → текст3 профессии

Крупный персидский BERT-энкодер для предсказания замаскированных слов и дообучения на задачах обработки персидского языка.

1 029скачиваний за 30 дней40лайковвеса обновлены8 дек 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

TookaBERT-Large — крупная модель-энкодер семейства BERT, разработанная PartAI для обработки текстов на персидском языке. Она предварительно обучена на корпусе объёмом более 500 ГБ, включающем новости, блоги, форумы и книги, с задачей masked language modeling и whole-word masking. Модель содержит 451,8 млн параметров и принимает последовательности длиной до 512 токенов.

Основное назначение модели — предсказание замаскированных слов в персидском тексте. Её также можно дообучать для классификации тональности и текстов, распознавания именованных сущностей, ответов на вопросы и задач с выбором ответа. В README приведены результаты оценки на нескольких персидских NLP-наборах данных; они зависят от последующего дообучения и случайности обучения.

Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Как энкодер для заполнения масок, она не предназначена сама по себе для генерации свободного текста; для прикладных задач, отличных от fill-mask, потребуется подходящая голова или дообучение.

Сценарии применения

  • восстановление пропущенных слов в персидском тексте
  • получение контекстных представлений персидских слов и фраз
  • дообучение классификатора тональности персидских отзывов
  • классификация персидских текстов по темам
  • распознавание именованных сущностей в персидских документах
  • дообучение для ответов на вопросы по персидскому тексту

Ограничения

Контекст ограничен 512 токенами. Для классификации, распознавания сущностей и ответов на вопросы модель необходимо дообучить или использовать с подходящей задачной головой.

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 Details

TookaBERT models are a family of encoder models trained on Persian in two sizes base and large. These Models pre-trained on over 500GB of Persian data including a variety of topics such as News, Blogs, Forums, Books, etc. They pre-trained with the MLM (WWM) objective using two context lengths. TookaBERT-Large is the first large encoder model pre-trained on Persian and currently is the state-of-the-art model in Persian tasks.

For more information you can read our paper on arXiv.

How to use

You can use this model directly for Masked Language Modeling using the provided code below.

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("PartAI/TookaBERT-Large")
model = AutoModelForMaskedLM.from_pretrained("PartAI/TookaBERT-Large")

# prepare input
text = "شهر برلین در کشور <mask> واقع شده است."
encoded_input = tokenizer(text, return_tensors='pt')

# forward pass
output = model(**encoded_input)

It is also possible to use inference pipelines such as below.

from transformers import pipeline

inference_pipeline = pipeline('fill-mask', model="PartAI/TookaBERT-Large")
inference_pipeline("شهر برلین در کشور <mask> واقع شده است.")

You can use this model to fine-tune it over your dataset and prepare it for your task.

  • DeepSentiPers (Sentiment Analysis)
  • ParsiNLU - Multiple-choice (Multiple-choice)

Evaluation

TookaBERT models are evaluated on a wide range of NLP downstream tasks, such as Sentiment Analysis (SA), Text Classification, Multiple-choice, Question Answering, and Named Entity Recognition (NER). Here are some key performance results:

Model nameDeepSentiPers (f1/acc)MultiCoNER-v2 (f1/acc)PQuAD (best_exact/best_f1/HasAns_exact/HasAns_f1)FarsTail (f1/acc)ParsiNLU-Multiple-choice (f1/acc)ParsiNLU-Reading-comprehension (exact/f1)ParsiNLU-QQP (f1/acc)
TookaBERT-large85.66/85.7869.69/94.0775.56/88.06/70.24/87.8389.71/89.7236.13/35.9733.6/60.582.72/82.63
TookaBERT-base83.93/83.9366.23/93.373.18/85.71/68.29/85.9483.26/83.4133.6/33.8120.8/42.5281.33/81.29
Shiraz81.17/81.0859.1/92.8365.96/81.25/59.63/81.3177.76/77.7534.73/34.5317.6/39.6179.68/79.51
ParsBERT80.22/80.2364.91/93.2371.41/84.21/66.29/84.5780.89/80.9435.34/35.2520/39.5880.15/80.07
XLM-V-base83.43/83.3658.83/92.2373.26/85.69/68.21/85.5681.1/81.235.28/35.258/26.6680.1/79.96
XLM-RoBERTa-base83.99/84.0760.38/92.4973.72/86.24/68.16/85.882.0/81.9832.4/32.3720.0/40.4379.14/78.95
FaBERT82.68/82.6563.89/93.0172.57/85.39/67.16/85.3183.69/83.6732.47/32.3727.2/48.4282.34/82.29
mBERT78.57/78.6660.31/92.5471.79/84.68/65.89/83.9982.69/82.8233.41/33.0927.2/42.1879.19/79.29
AriaBERT80.51/80.5160.98/92.4568.09/81.23/62.12/80.9474.47/74.4330.75/30.9414.4/35.4879.09/78.84

*Note because of the randomness in the fine-tuning process, results with less than 1% differences are considered together.

Contact us

If you have any questions regarding this model, you can reach us via the community of the model in Hugging Face.

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
953ce0a

0 моделей