/ Модель

Характеристики

Контекст
512 токенов
Параметры
76,8 млн
Лицензия
Apache 2.0
Опубликована
7 авг 2026

arassm-base

Заполнение пропусковТекст → текст

AraSSM-base — двунаправленный энкодер Mamba, предварительно обученный для заполнения масок и последующего решения задач понимания арабского языка.

13скачиваний за 30 дней0лайковвеса обновлены23 авг 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

AraSSM-base — предварительно обученный с нуля двунаправленный энкодер Mamba для арабского языка, разработанный авторами проекта AraSSM. В каждом из 12 слоёв прямой и обратный селективные проходы обрабатывают последовательность и объединяют результаты. Модель содержит 76,8 млн параметров, использует скрытый размер 512 и размер состояния 16; заявленная сложность по длине последовательности линейная. Для токенизации применяется готовый токенизатор AraBERTv02.

Модель обучена методом masked language modeling на очищенном корпусе арабских текстов из Википедии и арабской части CulturaX. Это базовый энкодер для последующего дообучения на задачах понимания арабского языка, включая классификацию, разметку токенов и извлечение ответов на вопросы. Основная задача в каталоге — заполнение маски. Лицензия — Apache-2.0.

Модель рассчитана преимущественно на современный стандартный арабский язык и ограничена длиной последовательности 512 токенов. Качество на диалектах не оценивалось; объём вычислений при обучении был меньше, чем у крупных трансформерных базовых моделей.

Сценарии применения

  • Заполнение пропусков в арабских текстах
  • Дообучение на классификацию арабских текстов
  • Дообучение на разметку сущностей и токенов на арабском языке
  • Извлечение ответов из арабских документов
  • Создание энкодера для задач понимания современного стандартного арабского

Ограничения

Максимальная длина последовательности — 512 токенов. Модель обучена преимущественно на современном стандартном арабском; качество на диалектах не оценивалось.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AraSSM-base

AraSSM is a bidirectional state-space (Mamba) encoder pretrained from scratch for Arabic via masked language modeling. It is, to our knowledge, the first bidirectional Mamba/SSM encoder pretrained specifically for Arabic, and was trained entirely on four consumer-grade NVIDIA RTX 2080Ti GPUs (11GB) rather than an accelerator cluster.

Model description

Each AraSSM layer runs a forward and a backward selective-scan (Mamba) mixer over the same input and merges the two outputs, giving the model full bidirectional context while keeping $O(L)$ complexity in sequence length $L$, instead of the $O(L^2)$ complexity of self-attention.

Layers12
Hidden size512
State dimension16
Parameters~105M
Max sequence length512
Vocabulary size64,000

Tokenizer

AraSSM uses the existing AraBERTv02 tokenizer (aubmindlab/bert-base-arabertv02) rather than a custom-trained one. This tokenizer was not trained as part of this work; it is reused as-is, both to decouple corpus preprocessing from tokenizer choice and to keep results comparable to AraBERT-family baselines that use the same vocabulary. All credit for the tokenizer belongs to its original authors.

Training data

AraSSM is pretrained on a cleaned, deduplicated corpus of approximately 80GB of Arabic text (79.6GB train / 0.4GB validation), combining Arabic Wikipedia and the Arabic portion of CulturaX. Documents are stripped of diacritics and URLs, filtered for length and Arabic-script ratio, chunked to at most 400 words, and deduplicated at the chunk level with a Bloom filter.

Training procedure

  • Objective: standard BERT-style masked language modeling (15% masking, 80/10/10 split)
  • Optimizer: AdamW, lr 3e-4, weight decay 0.01, 10,000 warmup steps, linear decay
  • Precision: fp16 (Turing GPUs do not support accelerated bf16)
  • Effective batch size: 256 (batch size 8 x grad accumulation 8 x 4 GPUs)
  • Compute: 4x RTX 2080Ti, ~960 GPU-hours (~10 days)

How to use

AraSSM is a custom architecture (not a native transformers model class), so loading it requires the model code from the project repository:

from huggingface_hub import PyTorchModelHubMixin
from models.mamba import MambaForMaskedLM  # from the AraSSM repository

class HubMambaForMaskedLM(MambaForMaskedLM, PyTorchModelHubMixin):
    pass

model = HubMambaForMaskedLM.from_pretrained("aliane29/arassm-base")

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("aliane29/arassm-base")

Intended use

This is a pretrained encoder intended to be fine-tuned on downstream Arabic NLU tasks (classification, token classification, extractive question answering), similarly to how a BERT-family encoder is used. It has not been fine-tuned for any specific task in this repository.

Limitations

  • Pretrained on Modern Standard Arabic and web text (Wikipedia + CulturaX); performance on dialectal Arabic is not evaluated.
  • Maximum sequence length is 512 tokens.
  • Trained on a fixed, publicly available compute budget (4 consumer GPUs); larger-scale Transformer baselines were pretrained on substantially larger accelerator-cluster budgets.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
684397b

0 моделей