/ Модель

Характеристики

Контекст
1 024 токена
Параметры
138 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Библиотека
transformers
Опубликована
14 ноя 2024

camembertav2-base

ЭмбеддингиТекст → embedding7 профессий

Франкоязычная модель на базе DeBERTa-v2 для извлечения контекстных представлений и дообучения под задачи обработки французского текста.

4 128скачиваний за 30 дней27лайковвеса обновлены11 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

CamemBERTav2-base — франкоязычная языковая модель, разработанная командой Almanach и предварительно обученная на корпусе из 275 млрд токенов французского текста. Она основана на архитектуре DeBERTa-v2 и обучена с задачей Replaced Token Detection. Модель содержит 138,4 млн параметров и принимает последовательности длиной до 1024 токенов.

Модель предназначена для получения контекстных представлений текста и как основа для дообучения под задачи французского NLP, включая классификацию, распознавание сущностей, разметку частей речи, синтаксический анализ и ответы на вопросы. В сравнении с предыдущей версией использует WordPiece-токенизатор на 32 768 токенов с поддержкой эмодзи, табуляции и переноса строки; для работы нужен Fast Tokenizer.

В README приведены результаты дообучения на ряде французских бенчмарков, включая NER, вопросно-ответные и классификационные задачи. Это не готовая чат-модель: для прикладных задач классификации или генерации ответов обычно требуется соответствующая голова и дообучение. Распространяется по лицензии MIT.

Сценарии применения

  • получение векторных представлений французских текстов
  • дообучение классификатора французских документов
  • распознавание именованных сущностей во французском тексте
  • разметка частей речи и синтаксический анализ французских предложений
  • дообучение системы ответов на вопросы по французским текстам

Ограничения

Для задач классификации, распознавания сущностей и ответов на вопросы требуется дообучение под конкретную задачу. Для совместимости с токенизатором необходим Fast Tokenizer; токенизатор отличается от оригинального CamemBERTa.

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

CamemBERT(a)-v2: A Smarter French Language Model Aged to Perfection

CamemBERTav2 is a French language model pretrained on a large corpus of 275B tokens of French text. It is the second version of the CamemBERTa model, which is based on the DebertaV2 architecture. CamemBERTav2 is trained using the Replaced Token Detection (RTD) objective with 20% mask rate on 275B tokens on 32 H100 GPUs. The dataset used for training is a combination of French OSCAR dumps from the CulturaX Project, French scientific documents from HALvest, and the French Wikipedia.

The model is a drop-in replacement for the original CamemBERTa model. Note that the new tokenizer is different from the original CamemBERTa tokenizer, so you will need to use Fast Tokenizers to use the model. It will work with DebertaV2TokenizerFast from transformers library even if the original DebertaV2TokenizerFast was sentencepiece-based.

Model update details

The new update includes:

  • Much larger pretraining dataset: 275B unique tokens (previously ~32B)
  • A newly built tokenizer based on WordPiece with 32,768 tokens, addition of the newline and tab characters, support emojis, and better handling of numbers (numbers are split into two digits tokens)
  • Extended context window of 1024 tokens

More details are available in the CamemBERTv2 paper.

How to use

from transformers import AutoTokenizer, AutoModel, AutoModelForMaskedLM

camembertav2 = AutoModel.from_pretrained("almanach/camembertav2-base")
tokenizer = AutoTokenizer.from_pretrained("almanach/camembertav2-base")

Fine-tuning Results:

Datasets: POS tagging and Dependency Parsing (GSD, Rhapsodie, Sequoia, FSMB), NER (FTB), the FLUE benchmark (XNLI, CLS, PAWS-X), the French Question Answering Dataset (FQuAD), Social Media NER (Counter-NER), and Medical NER (CAS1, CAS2, E3C, EMEA, MEDLINE).

ModelUPOSLASFTB-NERCLSPAWS-XXNLIF1 (FQuAD)EM (FQuAD)Counter-NERMedical-NER
CamemBERT97.5988.6989.9794.6291.3681.9580.9862.5184.1870.96
CamemBERTa97.5788.5590.3394.9291.6782.0081.1562.0187.3771.86
CamemBERT-bio---------73.96
CamemBERTv297.6688.6491.9995.0792.0081.7580.9861.3587.4672.77
CamemBERTav297.7188.6593.4095.6393.0684.8283.0464.2989.5373.98

Finetuned models are available in the following collection: CamemBERTav2 Finetuned Models

Pretraining Codebase

We use the pretraining codebase from the CamemBERTa repository for all v2 models.

Citation

@misc{antoun2024camembert20smarterfrench,
      title={CamemBERT 2.0: A Smarter French Language Model Aged to Perfection},
      author={Wissam Antoun and Francis Kulumba and Rian Touchent and Éric de la Clergerie and Benoît Sagot and Djamé Seddah},
      year={2024},
      eprint={2411.08868},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2411.08868},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2Model
Ревизия весов
54cc91d

0 моделей