/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
16 сен 2026

Vietnamese-Encoder-Base-v1

Заполнение пропусковТекст → текст

Вьетнамский двунаправленный энкодер PaxiAI, обученный с нуля для получения контекстных представлений и решения NLP-задач.

5скачиваний за 30 дней0лайковвеса обновлены16 сен 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

PaxiAI Vietnamese Encoder Base v1 — двунаправленный Transformer-энкодер, разработанный PaxiAI и обученный с нуля методом masked language modeling на вьетнамском тексте. Он использует принципы архитектуры ModernBERT и токенизатор PaxiAI/Vietnamese-Tokenizer с словарём примерно из 48 тысяч токенов.

Модель предназначена как базовый энкодер для задач обработки вьетнамского языка: извлечения контекстных представлений токенов, семантических эмбеддингов, поиска информации, ранжирования, классификации текста, определения намерений, распознавания именованных сущностей и оценки семантического сходства. В README приведён пример работы через Transformers с усечением входа до 512 токенов.

Вьетнамский — основной язык; токенизатор также сохраняет поддержку английского и текста с программным кодом. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели; пример использования показывает контекст до 512 токенов, но это не подтверждает максимальную нативную длину контекста.

Сценарии применения

  • создание семантических эмбеддингов вьетнамских текстов
  • поиск документов на вьетнамском языке
  • переранжирование результатов поиска
  • классификация вьетнамских текстов
  • определение намерений в сообщениях
  • распознавание именованных сущностей
  • оценка семантического сходства предложений

Ограничения

Указанный в примере предел 512 токенов описывает пример использования и не подтверждает максимальный размер контекста модели. README не приводит результаты бенчмарков, поэтому качество на перечисленных downstream-задачах следует проверять отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PaxiAI Vietnamese Encoder Base v1

PaxiAI Vietnamese Encoder Base v1 is a Vietnamese-focused bidirectional Transformer encoder pretrained from scratch using Masked Language Modeling (MLM). It uses the architecture principles of ModernBERT, all model parameters trained from scratch with the PaxiAI Vietnamese Tokenizer.

This model is intended to serve as a reusable foundation encoder for Vietnamese NLP tasks such as:

  • semantic embeddings
  • information retrieval
  • reranking
  • text classification
  • intent detection
  • named entity recognition
  • semantic similarity
  • sentence representation
  • domain-specific encoder models

Model Overview

PropertyValue
ArchitectureBidirectional Transformer Encoder
Training objectiveMasked Language Modeling
InitializationRandom weights
Hidden size768
Transformer layers12
Attention heads12
Intermediate size2048
Vocabulary size48,000
Maximum sequence length2,048
Primary languageVietnamese
TokenizerPaxiAI/Vietnamese-Tokenizer
Pretraining steps200,000
Pretrained model dependencyNone

Tokenizer

The model uses:

PaxiAI/Vietnamese-Tokenizer

https://huggingface.co/PaxiAI/Vietnamese-Tokenizer

The tokenizer has a vocabulary size of approximately 48K tokens and was designed primarily for Vietnamese text while retaining support for English and programming-related text.

For MLM pretraining, one of the tokenizer's reserved tokens is used as the mask token without modifying the original vocabulary or token ID mapping.


Loading the Model

from transformers import AutoTokenizer, AutoModel

model_id = "PaxiAI/Vietnamese-Encoder-Base-v1"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)

text = "Trí tuệ nhân tạo đang phát triển rất nhanh."

inputs = tokenizer(
    text,
    return_tensors="pt",
    truncation=True,
    max_length=512,
)

outputs = model(**inputs)

print(outputs.last_hidden_state.shape)

The output contains contextual token representations:

[batch_size, sequence_length, 768]

License

Please refer to the license associated with this repository and verify the licenses and usage conditions of the individual datasets used during pretraining.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
9825f31

0 моделей