/ Модель

Характеристики

Контекст
512 токенов
Параметры
310 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
16 ноя 2023

sealion-bert-base

Заполнение пропусковТекст → текст3 профессии

Многоязычный энкодер SEA-LION-BERT на архитектуре MosaicBERT предсказывает скрытые токены в текстах на языках Юго-Восточной Азии и английском.

136скачиваний за 30 дней5лайковвеса обновлены8 янв 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

SEA-LION-BERT base — многоязычная модель-энкодер, разработанная Products Pillar в AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она основана на архитектуре MosaicBERT и предназначена для предсказания скрытых токенов; её можно использовать как основу для языковых задач и дообучать под конкретные сценарии. Размер модели — около 309,9 млн параметров, контекст — до 512 токенов, словарь токенизатора SEABPE содержит 256 тысяч единиц.

Модель обучена на 790 млрд токенов и поддерживает английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки. Токенизатор использует SentencePiece и BPE. Лицензия MIT. Карточка не приводит сравнительных оценок качества; как энкодер для заполнения масок, модель сама по себе не предназначена для генерации длинных текстов.

Сценарии применения

  • подстановка пропущенного слова в предложении
  • оценка контекста слова при анализе текста
  • дообучение энкодера для классификации многоязычных текстов
  • подготовка языковых представлений для прикладных NLP-задач

Ограничения

Контекст ограничен 512 токенами. Модель предназначена для предсказания скрытых токенов и не является генератором длинных текстов; карточка не содержит сравнительных оценок качества.

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

SEA-LION-BERT

SEA-LION stands for Southeast Asian Languages In One Network.

This is the card for the SEA-LION-BERT base model.

How To Use

from transformers import AutoModelForMaskedLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('aisingapore/sealion-bert-base', trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained('aisingapore/sealion-bert-base', trust_remote_code=True)

# prepare input
text = "Give me a <|mask|>!!!"
encoded_input = tokenizer(text, return_tensors='pt')

Model Details

Model Description

The SEA-LION-BERT model is built on the MosaicBERT architecture and has a vocabulary size of 256K.

For tokenization, the model employs our custom SEABPETokenizer, which is specially tailored for SEA languages, ensuring optimal model performance.

The training data for SEA-LION-BERT encompasses 790B tokens.

  • Developed by: Products Pillar, AI Singapore
  • Funded by: Singapore NRF
  • Model type: Encoder
  • Languages: English, Chinese, Indonesian, Malay, Thai, Vietnamese, Filipino, Tamil, Burmese, Khmer, Lao
  • License: MIT License

Training Details

Data

SEA-LION was trained on 790B tokens of the following data:

Data SourceTokensPercentage
RefinedWeb - English571.3B72.26%
mC4 - Chinese91.2B11.54%
mC4 - Indonesian14.7B1.86%
mC4 - Malay2.9B0.36%
mC4 - Filipino5.3B0.67%
mC4 - Burmese4.9B0.61%
mC4 - Vietnamese63.4B8.02%
mC4 - Thai21.6B2.74%
mC4 - Lao1.1B0.14%
mC4 - Khmer3.9B0.50%
mC4 - Tamil10.2B1.29%

Infrastructure

SEA-LION was trained using MosaicML Composer on the following hardware:

Training DetailsSEA-LION-BERT
Nvidia A100 40GB GPU4
Training Duration14 days

Configuration

HyperParameterSEA-LION-BERT
Precisionbfloat16
Optimizerdecoupled_adamw
Schedulerlinear_decay_with_warmup
Learning Rate5e-4
Global Batch Size448
Micro Batch Size56

Technical Specifications

Model Architecture and Objective

SEA-LION-BERT is an encoder model using the MosaicBERT architecture.

ParameterSEA-LION-BERT
Layers12
d_model768
head_dim12
Vocabulary256000
Sequence Length128

Tokenizer Details

We sample 20M lines from the training data to train the tokenizer. The framework for training is SentencePiece. The tokenizer type is Byte-Pair Encoding (BPE).

The Team

Montalan Jann Railey Nguyen Thanh Ngan Rengarajan Hamsawardhini Teo Eng Sipp Leslie Tjhi William

Acknowledgements

AI Singapore is a national programme supported by the National Research Foundation, Singapore and hosted by the National University of Singapore. Any opinions, findings and conclusions or recommendations expressed in this material are those of the author(s) and do not reflect the views of National Research Foundation, Singapore.

Contact

For more info, please contact us using this SEA-LION Inquiry Form

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
1c74a03

0 моделей