/ Модель

Характеристики

Лицензия
MIT
Базовая модель
xlm-roberta-large
Библиотека
transformers
Опубликована
5 мар 2025

XLM-RoBERTa-Morocco

Заполнение пропусковТекст → текст

Дообученная XLM-RoBERTa-large для заполнения пропусков и решения задач обработки текстов на марокканском арабском диалекте дарижа.

0скачиваний за 30 дней5лайковвеса обновлены6 мар 2025

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

XLM-RoBERTa-Morocco — дообученная модель masked language modeling от Atlasia для марокканского арабского диалекта дарижа. Она основана на FacebookAI/xlm-roberta-large и дополнительно обучена на текстах набора Atlaset; модель и веса доступны в формате Safetensors, лицензия — MIT. Основная задача по метаданным — заполнение пропущенных токенов. Полученные представления можно использовать как основу для классификации текстов, распознавания именованных сущностей, анализа тональности, ответов на вопросы и построения эмбеддингов для дарижи.

В человеческой оценке Atlaset-Arena модель получила 72 победы в 120 сравнениях (60%); README также сообщает об улучшении на 17,5% относительно базовой XLM-RoBERTa-large. Эти результаты относятся к описанной оценке и не гарантируют качество на других задачах. Модель рассчитана прежде всего на дарижу; качество может меняться между региональными вариантами диалекта, при переключении языков и на узкоспециализированных текстах. Перед применением в высокорисковых сценариях требуется дополнительная оценка.

Сценарии применения

  • Заполнение пропущенных слов в текстах на дариже
  • Классификация сообщений на марокканском диалекте
  • Распознавание именованных сущностей в текстах на дариже
  • Анализ тональности марокканских отзывов и сообщений
  • Построение эмбеддингов для текстов на дариже
  • Подготовка основы для систем ответов на вопросы по марокканским текстам

Ограничения

Качество может различаться между региональными вариантами дарижи, а переключение между дарижей и другими языками может обрабатываться не оптимально. Возможны ограничения на технических и специализированных текстах; для высокорискового применения требуется дополнительная оценка.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for atlasia/XLM-RoBERTa-Morocco

Model Description

XLM-RoBERTa-Morocco is a masked language model fine-tuned specifically for Moroccan Darija (Moroccan Arabic dialect). This model is based on FacebookAI/xlm-roberta-large and has been further trained on the comprehensive Atlaset dataset, a curated collection of Moroccan Darija text.

Intended Uses

This model is designed for:

  • Text classification tasks in Moroccan Darija
  • Named entity recognition in Moroccan Darija
  • Sentiment analysis of Moroccan text
  • Question answering systems for Moroccan users
  • Building embeddings for Moroccan Darija text
  • Serving as a foundation for downstream NLP tasks specific to Moroccan dialect

Training Details

  • Base Model: FacebookAI/xlm-roberta-large
  • Training Data: Atlaset dataset (1.17M examples, 155M tokens)
  • Training Procedure: Fine-tuning with masked language modeling objective
  • Hyperparameters:
    • Batch size: 128
    • Learning rate: 1e-4
    • Training was optimized after testing learning rates in range {1e-4, 5e-5, 1e-5}

Performance

In human evaluations conducted through the Atlaset-Arena, this model demonstrated significant improvements over baseline models:

ModelWinsTotal ComparisonsWin Rate (%)
atlasia/XLM-RoBERTa-Morocco7212060.00
aubmindlab/bert-base-arabertv026311455.26
SI2M-Lab/DarijaBERT5511946.22
FacebookAI/xlm-roberta-large5112042.50
google-bert/bert-base-multilingual-cased2912024.17

The model shows a 17.5% performance improvement over the base XLM-RoBERTa-large model.

Limitations

  • While the model performs well on Moroccan Darija, performance may vary across different regional variations within Morocco
  • The model may not handle code-switching between Darija and other languages optimally
  • Performance on highly technical or specialized domains may be limited by the training data composition

Ethical Considerations

  • This model is intended to improve accessibility of NLP technologies for Moroccan Darija speakers
  • Users should be aware that the model may reflect biases present in the training data
  • The model should be further evaluated before deployment in high-stakes applications

How to Use

from transformers import AutoModelForMaskedLM, AutoTokenizer

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("atlasia/XLM-RoBERTa-Morocco")
model = AutoModelForMaskedLM.from_pretrained("atlasia/XLM-RoBERTa-Morocco")

# Example usage for masked language modeling
text = "أنا كنتكلم الدارجة المغربية [MASK] مزيان."
inputs = tokenizer(text, return_tensors="pt")
outputs = model(**inputs)

Citation

@misc{atlasia2025xlm-roberta-morocco,
  title={XLM-RoBERTa-Morocco: A Masked Language Model for Moroccan Darija},
  author={Abdelaziz Bounhar and Abdeljalil El Majjodi},
  year={2025},
  howpublished={\url{https://huggingface.co/atlasia/XLM-RoBERTa-Morocco}},
  organization={AtlasIA}
}

Acknowledgements

We thank the Hugging Face team for their support and the vibrant research community behind Moroccan Darija NLP. Special thanks to all contributors of the Atlaset dataset that made this model possible.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
9f9d69b

0 моделей