/ Модель

Характеристики

Контекст
514 токенов
Параметры
153 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
11 июл 2025

PortBERT_base

Заполнение пропусковТекст → текст3 профессии

PortBERT-base — португалоязычная модель RoBERTa для предсказания пропущенных токенов и адаптации к задачам обработки португальского языка.

142скачиваний за 30 дней1лайквеса обновлены5 дек 2025

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

PortBERT-base — португалоязычная языковая модель семейства PortBERT, разработанная авторами проекта PortBERT. Это модель архитектуры RoBERTa, предварительно обученная с нуля на португальской части OSCAR23 и MC4, представленной дедуплицированными вариантами CulturaX. Вариант base в README указан с 126 млн параметров; метаданные репозитория указывают 153,2 млн параметров. Модель принимает текст и предсказывает скрытые токены, поэтому подходит для задачи заполнения пропусков и как основа для дообучения под португальские NLP-задачи.

Авторы оценивали семейство на ExtraGLUE — португальской адаптации GLUE — с дообучением на задачах сходства предложений, распознавания текстовых следствий и классификации парафраз. В README указаны GPT-2-подобный токенизатор с размером словаря 52 тыс. и обучение PortBERT-base на 8 GPU A40; метаданные задают контекст в 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors.

Модель распространяется по лицензии MIT. Оценки ExtraGLUE рассчитаны на валидационных наборах, поскольку авторы сообщают об отсутствии отложенных тестовых наборов; результаты поэтому не являются независимой оценкой на тесте. Размер модели также указан по-разному в README и метаданных.

Сценарии применения

  • заполнение пропусков в португальских текстах
  • оценка семантического сходства португальских предложений после дообучения
  • распознавание текстовых следствий на португальском после дообучения
  • классификация парафраз на португальском после дообучения
  • дообучение RoBERTa для португальских NLP-задач

Ограничения

В README сообщается, что оценки ExtraGLUE получены на валидационных наборах из-за отсутствия отложенных тестовых наборов. Размер PortBERT-base расходится между README (126 млн параметров) и метаданными (153,2 млн).

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

PortBERT: Navigating the Depths of Portuguese Language Models

PortBERT is a family of RoBERTa-based language models pre-trained from scratch on the Portuguese portion of OSCAR23 and MC4 (deduplicated variants of CulturaX). The models are designed to offer strong downstream performance in Portuguese NLP tasks, while providing insights into the cost-performance tradeoffs of training across hardware backends.

We release two variants:

  • PortBERT-base: 126M parameters, trained on 8× A40 GPUs (fp32)
  • PortBERT-large: 357M parameters, trained on TPUv4-128 pod (fp32)

Model Details

DetailPortBERT-basePortBERT-large
ArchitectureRoBERTa-baseRoBERTa-large
Parameters~126M~357M
TokenizerGPT-2 style (52k vocab)Same
Pretraining corpusdeduplicated mC4 and OSCAR 23 from CulturaXSame
ObjectiveMasked Language ModelingSame
Training time~27 days on 8× A40~6.2 days on TPUv4-128 pod
Precisionfp32fp32
Frameworkfairseqfairseq

Downstream Evaluation (ExtraGLUE)

We evaluate PortBERT on ExtraGLUE, a Portuguese adaptation of the GLUE benchmark. Fine-tuning was conducted using HuggingFace Transformers, with NNI-based grid search over batch size and learning rate (28 configurations per task). Each task was fine-tuned for up to 10 epochs. Metrics were computed on validation sets due to the lack of held-out test sets.

AVG score averages the following metrics:

  • STSB Spearman
  • STSB Pearson
  • RTE Accuracy
  • WNLI Accuracy
  • MRPC Accuracy
  • MRPC F1

🧪 Evaluation Results

Legend: Bold = best, italic = second-best per model size.

ModelSTSB_SpSTSB_PeSTSB_MeanRTE_AccWNLI_AccMRPC_AccMRPC_F1AVG
Large models
XLM-RoBERTa_large90.0090.2790.1482.3157.7590.4493.3184.01
EuroBERT-610m88.4688.5988.5278.3459.1591.9194.2083.44
PortBERT_large88.5388.6888.6072.5661.9789.4692.3982.26
BERTimbau_large89.4089.6189.5075.4559.1588.2491.5582.23
Base models
RoBERTaLexPT_base86.6886.8686.7769.3159.1589.4692.3480.63
PortBERT_base87.3987.6587.5268.9560.5687.7591.1380.57
RoBERTaCrawlPT_base87.3487.4587.3972.5656.3487.9991.2080.48
BERTimbau_base88.3988.6088.5070.4056.3487.2590.9780.32
XLM-RoBERTa_base85.7586.0985.9268.2360.5687.7591.3279.95
EuroBERT-210m86.5486.6286.5865.7057.7587.2591.0079.14
AlBERTina 100M PTPT86.5286.5186.5270.0456.3485.0589.5779.01
AlBERTina 100M PTBR85.9785.9985.9868.5956.3485.7889.8278.75
AiBERTa83.5683.7383.6564.9856.3482.1186.9976.29
roBERTa PT48.0648.5148.2956.6859.1572.0681.7961.04

Fairseq Checkpoint

Get the fairseq checkpoint here.

Citations

If you use PortBERT in your research, please cite the following paper:

@book{scheible-schmitt-etal-2025-portbert,
  author = {\textbf{Scheible-Schmitt}, \textbf{Raphael} and He, Henry and Mendes, Armando B.},
  title = {PortBERT: Navigating the Depths of Portuguese Language Models},
  booktitle = {Proceedings of the Workshop on Beyond English: Natural Language Processing for all Languages in an Era of Large Language Models},
  month = {September},
  year = {2025},
  address = {Varna, Bulgaria},
  publisher = {INCOMA Ltd., Shoumen, BULGARIA},
  pages = {59--71},
  abstract = {Transformer models dominate modern NLP, but efficient, language-specific models remain scarce. In Portuguese, most focus on scale or accuracy, often neglecting training and deployment efficiency. In the present work, we introduce PortBERT, a family of RoBERTa-based language models for Portuguese, designed to balance performance and efficiency. Trained from scratch on over 450 GB of deduplicated and filtered mC4 and OSCAR23 from CulturaX using fairseq, PortBERT leverages byte-level BPE tokenization and stable pre-training routines across both GPU and TPU processors. We release two variants, PortBERT base and PortBERT large, and evaluate them on ExtraGLUE, a suite of translated GLUE and SuperGLUE tasks. Both models perform competitively, matching or surpassing existing monolingual and multilingual models. Beyond accuracy, we report training and inference times as well as fine-tuning throughput, providing practical insights into model efficiency. PortBERT thus complements prior work by addressing the underexplored dimension of compute-performance tradeoffs in Portuguese NLP. We release all models on Huggingface and provide fairseq checkpoints to support further research and applications.},
  url = {https://aclanthology.org/2025.globalnlp-1.8},
  doi = {https://doi.org/10.26615/978-954-452-105-9-008}
}

📜 License

MIT License

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
RobertaForMaskedLM
Ревизия весов
6a78a39

0 моделей