/ Модель

Характеристики

Параметры
314 млн
Лицензия
CC BY-SA 4.0
Архитектура
neobert · dense
Библиотека
Transformers
Опубликована
20 апр 2026

NeoAraBERT

Заполнение пропусковТекст → текст8 профессий

NeoAraBERT_Mix — арабская модель на NeoBERT для создания эмбеддингов и решения задач понимания текста на литературном, классическом и диалектном арабском.

536скачиваний за 30 дней10лайковвеса обновлены8 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

NeoAraBERT_Mix — арабская модель для получения текстовых эмбеддингов на архитектуре NeoBERT, разработанная совместно подразделением U4RASD Центра исследований и политических исследований арабских стран (ACRPS) и Американским университетом Бейрута (AUB). Чекпойнт предварительно обучен на открытых и внутренних наборах данных, охватывающих современный литературный арабский, классический арабский и диалекты. В репозитории указаны архитектура NeoBERT и размер 314,2 млн параметров; модель распространяется в формате Safetensors и рассчитана на работу через Transformers.

Модель предназначена для построения эмбеддингов и задач понимания арабского текста. Авторы сообщают о сравнении с пятью арабскими моделями на 23 задачах и о лидерстве вариантов NeoAraBERT в 18 из них; отдельная задача Muradif оценивает качество эмбеддингов без дополнительного дообучения. В модель заложены решения, ориентированные на арабский язык: нормализация текста, лёгкий стемминг, обработка диакритики и POS-ориентированное маскирование токенов.

Лицензия — CC BY-SA 4.0. Это базовая языковая модель, а её качество на конкретных прикладных задачах может зависеть от выбранной downstream-модели или дополнительной настройки; сведения о длине контекста в предоставленных данных отсутствуют.

Сценарии применения

  • поиск арабских документов по смыслу
  • сопоставление арабских предложений по семантическому сходству
  • извлечение признаков из арабского текста для классификатора
  • классификация текстов на арабском языке
  • предсказание пропущенных слов в арабском тексте

Ограничения

Это базовая языковая модель, а не готовый прикладной классификатор: качество на конкретной задаче может потребовать дополнительной настройки. Длина контекста в предоставленных материалах не указана.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NeoAraBERT

We pretrain NeoAraBERT on diverse open-source and internal datasets covering modern standard, classical, and dialectal Arabic. We guided our design choices with Arabic tailored ablation studies including text normalization, light stemming, and diacritics-aware tokenization handling. We also performed POS-aware token masking and learning-rate scheduling ablation studies. We benchmarked NeoAraBERT against five top-performing Arabic models on 23 tasks, including a synonym-based task, Muradif, that directly assesses embedding quality with no additional fine-tuning. NeoAraBERT variants rank first in 18 tasks and improve average performance across the full benchmark suite.

This is the NeoAraBERT_Mix checkpoint, our best-performing checkpoint overall. This model was introduced at the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026). For more information, visit our website: https://acr.ps/neoarabert.

The available NeoAraBERT checkpoints:

ModelDescriptionLink
NeoAraBERT (NeoAraBERT_Mix)Trained on both Modern Standard Arabic and Dialectal Arabic.this repository ✅
NeoAraBERT_MSATrained on Modern Standard Arabic.link
NeoAraBERT_DATrained on Dialectal Arabic.link

mix

For detailed benchmarking, see https://acr.ps/neoarabert.

How to Use

Install these libraries:

pip install fast-disambig hf_transfer==0.1.9 torch==2.5.1 transformers==4.49.0 xformers==0.0.28.post3 torchvision torchaudio

Load the model and use it to generate embeddings:

from transformers import AutoModel, AutoTokenizer

model_name = "U4RASD/NeoAraBERT"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True)

# Tokenize input text
text = "المركز العربيّ للأبحاث ودراسة السياسات."
inputs = tokenizer(text, return_tensors="pt")

# Generate embeddings
outputs = model(**inputs)
embedding = outputs.last_hidden_state[:, 0, :]
print(embedding.shape)

Citation

If you use the code, model, or the Muradif benchmark, please cite:

@inproceedings{abou-chakra-etal-2026-neoarabert,
    title = "{N}eo{A}ra{BERT}: A Modern Foundation Model for {A}rabic Embeddings with Diacritics-Aware Tokenization and {POS}-Targeted Masking",
    author = "Abou Chakra, Chadi  and
      Hamoud, Hadi Khaled  and
      Rakan Al Mraikhat, Osama  and
      Abu Obaida, Qusai  and
      Ballout, Mohamad  and
      Zaraket, Fadi",
    editor = "Liakata, Maria  and
      Moreira, Viviane P.  and
      Zhang, Jiajun  and
      Jurgens, David",
    booktitle = "Findings of the {A}ssociation for {C}omputational {L}inguistics: {ACL} 2026",
    month = jul,
    year = "2026",
    address = "San Diego, California, United States",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.findings-acl.1293/",
    doi = "10.18653/v1/2026.findings-acl.1293",
    pages = "25952--25968",
    ISBN = "979-8-89176-395-1",
    abstract = "We present NeoAraBERT, a state-of-the-art open-source Arabic text-embedding model built on the NeoBERT architecture. We pre-train NeoAraBERT on diverse open-source and internal datasets covering modern standard, classical, and dialectal Arabic. We guided our design choices with Arabic tailored ablation studies including text normalization, light stemming, and diacritics-aware tokenization handling. We also performed more general POS-aware token masking and learning-rate scheduling ablation studies. We benchmarked NeoAraBERT against five top-performing Arabic models on 23 tasks, including a novel synonym-based task, ``Muradif'', that directly assesses embedding quality with no additional fine-tuning. NeoAraBERT variants (MSA, dialectal, and mixed) rank first in 18 tasks, second in two, third in two, and fourth in one task. They show strong performance on classical and modern standard Arabic, substantial margins of improvement ($>$7{\%}) in two tasks, and a $+$2.75{\%} improvement on average across all tasks. Our code and links to checkpoints for our model variants are available on our website: \url{https://acr.ps/neoarabert}."
}

Acknowledgements

We would like to acknowledge Ahmad Talal Salman from Assafir and Professor Amer Abdo Mouawad from the American University of Beirut for sharing Assafir data, which was instrumental to the work presented in this paper.

License

This model is licensed under the CC BY-SA 4.0 license. The text of the license can be found here.

Как запустить

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

GPU в ailist

Универсальный рантайм · Transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NeoBERTLMHead
Ревизия весов
6f6b10b

0 моделей