/ Модель

Характеристики

Контекст
512 токенов
Параметры
665 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
9 янв 2024

sealion-bert-large

Заполнение пропусковТекст → текст4 профессии

Многоязычная encoder-модель SEA-LION-BERT large предсказывает замаскированные токены в текстах на английском, китайском и языках Юго-Восточной Азии.

39скачиваний за 30 дней6лайковвеса обновлены10 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 large — многоязычная BERT-модель типа encoder от Products Pillar, AI Singapore, созданная на архитектуре MosaicBERT. Она предназначена для задач с маскированными токенами: предсказания пропущенного слова или токена по контексту, а также подготовки представлений для последующих NLP-систем.

Модель содержит 664,8 млн параметров, имеет 24 слоя и размерность скрытого представления 1024. Контекст ограничен 512 токенами; словарь токенизатора SEABPE насчитывает 256 тысяч элементов. Обучение проводилось на крупных многоязычных корпусах, включая английский и языки Юго-Восточной Азии. Поддерживаются английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки.

Модель подходит для заполнения масок и как основа для языковых задач на перечисленных языках. Это encoder, поэтому она не предназначена для свободной генерации длинных текстов. Распространяется по лицензии MIT.

Сценарии применения

  • восстановление пропущенного слова в предложении
  • предсказание замаскированного токена для анализа текста
  • подготовка контекстных представлений для классификатора
  • адаптация языковых систем для языков Юго-Восточной Азии

Ограничения

Контекст ограничен 512 токенами. Модель является encoder для предсказания маскированных токенов и не предназначена для свободной генерации длинных текстов.

Для каких профессий подходит4

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 large model.

How To Use

from transformers import AutoModelForMaskedLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('aisingapore/sealion-bert-large', trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained('aisingapore/sealion-bert-large', 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 980B 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 Duration22 days

Configuration

HyperParameterSEA-LION-BERT
Precisionbfloat16
Optimizerdecoupled_adamw
Schedulerlinear_decay_with_warmup
Learning Rate1e-4
Global Batch Size720
Micro Batch Size36

Technical Specifications

Model Architecture and Objective

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

ParameterSEA-LION-BERT
Layers24
d_model1024
head_dim16
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 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 at sealion@aisingapore.org

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
2f0f24b

0 моделей