/ Модель

Характеристики

Лицензия
MIT
Опубликована
2 мар 2022

indic-bert

Языковая модель7 профессий

Компактная мультиязычная модель ALBERT от AI4Bharat для задач понимания текста на 12 языках, преимущественно индийских.

2 696скачиваний за 30 дней90лайковвеса обновлены7 авг 2022

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

IndicBERT — мультиязычная модель семейства ALBERT, разработанная AI4Bharat и предварительно обученная на корпусе примерно из 8,9 млрд токенов. Она охватывает 12 языков, включая ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. По размеру модель компактнее mBERT и XLM-R; в оценках на IndicGLUE и дополнительных задачах она показала сопоставимые или более высокие результаты по отдельным метрикам.

Модель предназначена для дообучения и применения в классификации новостей и отзывов, анализе тональности, предсказании заголовков и разделов, а также в задачах выбора ответа на вопросы. В отчёте об оценке использовалась максимальная длина последовательности 128 токенов; результаты различаются между задачами, и, например, на некоторых тестах анализа тональности IndicBERT уступает XLM-R. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Сценарии применения

  • классификация новостных статей на индийских языках
  • определение тональности отзывов
  • предсказание заголовков новостей
  • определение раздела статьи Википедии
  • выбор ответа в задачах с вариантами ответа

Ограничения

В оценке использовалась длина последовательности до 128 токенов. Качество зависит от задачи: на отдельных тестах анализа тональности модель уступала XLM-R.

Для каких профессий подходит7

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

IndicBERT

IndicBERT is a multilingual ALBERT model pretrained exclusively on 12 major Indian languages. It is pre-trained on our novel monolingual corpus of around 9 billion tokens and subsequently evaluated on a set of diverse tasks. IndicBERT has much fewer parameters than other multilingual models (mBERT, XLM-R etc.) while it also achieves a performance on-par or better than these models.

The 12 languages covered by IndicBERT are: Assamese, Bengali, English, Gujarati, Hindi, Kannada, Malayalam, Marathi, Oriya, Punjabi, Tamil, Telugu.

The code can be found here. For more information, checkout our project page or our paper.

Pretraining Corpus

We pre-trained indic-bert on AI4Bharat's monolingual corpus. The corpus has the following distribution of languages:

Languageasbnenguhikn
No. of Tokens36.9M815M1.34B724M1.84B712M
Languagemlmrorpatateall
No. of Tokens767M560M104M814M549M671M8.9B

Evaluation Results

IndicBERT is evaluated on IndicGLUE and some additional tasks. The results are summarized below. For more details about the tasks, refer our official repo

IndicGLUE

TaskmBERTXLM-RIndicBERT
News Article Headline Prediction89.5895.5295.87
Wikipedia Section Title Prediction73.6666.3373.31
Cloze-style multiple-choice QA39.1627.9841.87
Article Genre Classification90.6397.0397.34
Named Entity Recognition (F1-score)73.2465.9364.47
Cross-Lingual Sentence Retrieval Task21.4613.7427.12
Average64.6261.0966.66

Additional Tasks

TaskTask TypemBERTXLM-RIndicBERT
BBC News ClassificationGenre Classification60.5575.5274.60
IIT Product ReviewsSentiment Analysis74.5778.9771.32
IITP Movie ReviewsSentiment Analaysis56.7761.6159.03
Soham News ArticleGenre Classification80.2387.678.45
Midas DiscourseDiscourse Analysis71.2079.9478.44
iNLTK Headlines ClassificationGenre Classification87.9593.3894.52
ACTSA Sentiment AnalysisSentiment Analysis48.5359.3361.18
Winograd NLINatural Language Inference56.3455.8756.34
Choice of Plausible Alternative (COPA)Natural Language Inference54.9251.1358.33
Amrita Exact ParaphraseParaphrase Detection93.8193.0293.75
Amrita Rough ParaphraseParaphrase Detection83.3882.2084.33
Average69.8474.4273.66

* Note: all models have been restricted to a max_seq_length of 128.

Downloads

The model can be downloaded here. Both tf checkpoints and pytorch binaries are included in the archive. Alternatively, you can also download it from Huggingface.

Citing

If you are using any of the resources, please cite the following article:

@inproceedings{kakwani2020indicnlpsuite,
    title={{IndicNLPSuite: Monolingual Corpora, Evaluation Benchmarks and Pre-trained Multilingual Language Models for Indian Languages}},
    author={Divyanshu Kakwani and Anoop Kunchukuttan and Satish Golla and Gokul N.C. and Avik Bhattacharyya and Mitesh M. Khapra and Pratyush Kumar},
    year={2020},
    booktitle={Findings of EMNLP},
}

We would like to hear from you if:

  • You are using our resources. Please let us know how you are putting these resources to use.
  • You have any feedback on these resources.

License

The IndicBERT code (and models) are released under the MIT License.

Contributors

  • Divyanshu Kakwani
  • Anoop Kunchukuttan
  • Gokul NC
  • Satish Golla
  • Avik Bhattacharyya
  • Mitesh Khapra
  • Pratyush Kumar

This work is the outcome of a volunteer effort as part of AI4Bharat initiative.

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
4842dd2

0 моделей