/ Модель

Характеристики

Контекст
1 025 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
14 ноя 2024

camembertv2-base

Заполнение пропусковТекст → текст3 профессии

Франкоязычная модель на архитектуре RoBERTa для восстановления замаскированных фрагментов текста и дообучения на задачах обработки французского языка.

2 246скачиваний за 30 дней11лайковвеса обновлены13 мая 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

CamemBERTv2 — франкоязычная языковая модель семейства CamemBERT, разработанная Almanach на архитектуре RoBERTa. Это плотная модель с 138,4 млн параметров, предварительно обученная на 275 млрд токенов французских текстов из OSCAR/CulturaX, научных документов HALvest и французской Википедии. Она использует маскированное языковое моделирование и предназначена прежде всего для предсказания скрытых фрагментов текста; модель можно применять как основу для дообучения на задачах обработки французского языка.

Модель поддерживает контекст до 1025 токенов и использует новый токенизатор WordPiece на 32 768 токенов, отличный от токенизатора исходного CamemBERT. Для работы требуется быстрый токенизатор, например CamembertTokenizerFast. В описанных экспериментах дообученные варианты оценивались на французской морфологической разметке, синтаксическом анализе, распознавании сущностей, классификации, ответах на вопросы и переносе между языками; эти результаты не означают, что базовая модель выполняет все эти задачи без дополнительного обучения. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • предсказание пропущенных слов во французском тексте
  • восстановление замаскированных фрагментов предложения
  • дообучение на распознавании французских именованных сущностей
  • дообучение на морфологической и синтаксической разметке французского текста
  • дообучение на ответах на вопросы по-французски

Ограничения

Модель предназначена для французского языка и сама по себе не является готовой моделью для классификации, разметки сущностей или ответов на вопросы: для таких задач требуется дообучение. Для совместимости нужен быстрый токенизатор; токенизатор отличается от исходного CamemBERT.

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

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

CamemBERTv2 is a French language model pretrained on a large corpus of 275B tokens of French text. It is the second version of the CamemBERT model, which is based on the RoBERTa architecture. CamemBERTv2 is trained using the Masked Language Modeling (MLM) objective with 40% mask rate for 3 epochs 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 CamemBERT model. Note that the new tokenizer is different from the original CamemBERT tokenizer, so you will need to use Fast Tokenizers to use the model. It will work with CamemBERTTokenizerFast from transformers library even if the original CamemBERTTokenizer was sentencepiece-based.

Check the CamemBERTav2 model, a much stronger French language model, based on DeBERTaV3, here.

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

camembertv2 = AutoModelForMaskedLM.from_pretrained("almanach/camembertv2-base")
tokenizer = AutoTokenizer.from_pretrained("almanach/camembertv2-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: CamemBERTv2 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 · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
42096e4

0 моделей