/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
10 сен 2024

fermi-bert-1024

Заполнение пропусковТекст → текст

Англоязычная модель BERT с отраслевым токенизатором для заполнения пропусков и дообучения на задачах обработки текстов атомной энергетики.

0скачиваний за 30 дней2лайкавеса обновлены8 окт 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

fermi-bert-1024 — предварительно обученная модель BERT, разработанная для работы с текстами атомной энергетики. Она обучена на английской Википедии 2023 года, Books3 и части базы документов ADAMS Комиссии по ядерному регулированию США. Для терминологии отрасли используется специализированный токенизатор WordPiece; максимальная длина последовательности при обучении составляет 1024 токена. Модель предназначена как основа для дообучения и применима, в частности, к заполнению пропусков в тексте.

В README сообщается, что на стандартном бенчмарке GLUE модель показала результаты, сопоставимые с другими BERT-моделями, а преимущество в ядерной тематике демонстрировалось при последующем дообучении. В метаданных указаны задача fill-mask, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0, допускающая использование и распространение на её условиях.

Сценарии применения

  • заполнение пропущенных слов в технических документах по атомной энергетике
  • адаптация языковой модели к терминологии ядерной отрасли
  • подготовка основы для классификации документов после дообучения
  • дообучение для анализа нормативных документов Комиссии по ядерному регулированию США

Ограничения

Модель ориентирована на английские тексты; заявленные преимущества в ядерной тематике относятся к последующему дообучению. Для прикладных задач, таких как классификация документов, требуется отдельная настройка модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

fermi-bert-1024: Pretrained BERT for Nuclear Power

A BERT model optimized for the nuclear energy domain, fermi-bert-1024 is pretrained on a combination of Wikipedia (2023), Books3, and a subset of the U.S. Nuclear Regulatory Commission’s ADAMS database. It is specifically designed to handle the complex technical jargon and regulatory language unique to the nuclear industry. Trained on the Oak Ridge National Laboratory Frontier supercomputer using 128 MI250X AMD GPUs over a 10-hour period, this model provides a robust foundation for fine-tuning in nuclear-related applications.

Training

fermi-bert-1024 is a BERT model pretrained on wikipedia (2023), Books3, and ADAMS with a max sequence length of 1024.

We make several modifications to the standard BERT training procedure:

  • We use a custom nuclear-optimized WordPiece tokenizer to better represent the unique jargon and technical terminology specific to the nuclear industry.
  • We train on a subset of U.S. Nuclear Regulatory Commission’s Agency-wide Documents Access and Management System (ADAMS).
  • We train on Books3 rather than BookCorpus.
  • We use larger batch size and other improved hyper parameters as described in RoBERTa.

Evaluation

We evaluate the quality of fermi-bert-1024 on the standard GLUE benchmark (script). We find it performs comparably to other BERT models but with the advantage of performing better on documents in the nuclear energy space as demonstrated by our downstream fine-tuning.

ModelBszStepsSeqAvgColaSST2MRPCSTSBQQPMNLIQNLIRTE
bert-base-uncased2561M5120.810.560.820.860.880.910.840.910.67
roberta-base8K500k5120.840.560.940.880.900.920.880.920.74
fermi-bert-5124k100k5120.830.600.930.880.890.910.870.910.68
fermi-bert-10244k100k10240.830.60.930.860.890.910.860.920.69

Pretraining Data

We train on 40% Wikipedia, 30% Books3, 30% ADAMS. We pack and tokenize the sequences to 1024 tokens. If a document is shorter than 1024 tokens, we append another document until it is 1024 tokens. If a document is longer than 1024 tokens we split it into multiple documents. For 10% of the Wikipedia documents, we do not concatenate short documents. See M2-Bert for rationale behind including short documents.

Usage

from transformers import AutoModelForMaskedLM, AutoConfig, AutoTokenizer, pipeline

tokenizer = AutoTokenizer.from_pretrained('atomic-canyon/fermi-bert-1024') # `fermi-bert` uses a nuclear specific tokenizer
model = AutoModelForMaskedLM.from_pretrained('atomic-canyon/fermi-bert-1024')

# To use this model directly for masked language modeling
classifier = pipeline('fill-mask', model=model, tokenizer=tokenizer, device="cpu")

print(classifier("I [MASK] to the store yesterday."))

Acknowledgement

This research used resources of the Oak Ridge Leadership Computing Facility, which is a DOE Office of Science User Facility supported under Contract DE-AC05-00OR22725.

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
6b15154

0 моделей