/ Модель

Характеристики

Контекст
512 токенов
Параметры
468 млн
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-large-arabertv02-twitter

Заполнение пропусковТекст → текст3 профессии

Производная модели aubmindlab/bert-base-arabertv02-twitter. Арабоязычная BERT-модель, предварительно обученная на твитах и диалектной речи для заполнения масок и дальнейшей адаптации.

480скачиваний за 30 дней4лайкавеса обновлены26 апр 2023

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

Карточка модели aubmindlab/bert-large-arabertv02-twitter на Hugging Face совпадает с карточкой aubmindlab/bert-base-arabertv02-twitter, поэтому описание составлено по ней.

AraBERTv0.2-Twitter — арабоязычная языковая модель на архитектуре BERT, разработанная командой AraBERT. Эта базовая модель продолжает предварительное обучение с задачей masked language modeling на примерно 60 миллионах арабских твитов, отобранных из коллекции в 100 миллионов. В словарь добавлены эмодзи и распространённые слова, отсутствовавшие в предыдущей версии; размер модели — около 162,4 млн параметров, формат весов — PyTorch и safetensors.

Модель предназначена для работы с арабскими диалектами и текстами из Twitter. Её можно использовать для заполнения масок и как основу для дообучения под задачи обработки арабских твитов. Контекст составляет до 512 токенов, однако README сообщает, что обучение проводилось с длиной последовательности 64 токена, а использование большей длины может снизить качество. Для обучения и тестирования рекомендуется применять предоставленную предобработку, сохраняющую и отделяющую эмодзи. Сведения о лицензии в доступных данных отсутствуют.

Сценарии применения

  • заполнение пропусков в арабских твитах
  • подстановка скрытых слов в текстах на арабских диалектах
  • дообучение модели для анализа арабских публикаций в Twitter

Ограничения

Обучение проводилось с длиной последовательности 64 токена; использование большей длины может ухудшить качество. Для работы с твитами рекомендуется использовать предобработку модели, включая обработку эмодзи.

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

AraBERTv0.2-Twitter

AraBERTv0.2-Twitter-base/large are two new models for Arabic dialects and tweets, trained by continuing the pre-training using the MLM task on ~60M Arabic tweets (filtered from a collection on 100M).

The two new models have had emojies added to their vocabulary in addition to common words that weren't at first present. The pre-training was done with a max sentence length of 64 only for 1 epoch.

AraBERT is an Arabic pretrained language model based on Google's BERT architechture. AraBERT uses the same BERT-Base config. More details are available in the AraBERT Paper and in the AraBERT Meetup

Other Models

ModelHuggingFace Model NameSize (MB/Params)Pre-SegmentationDataSet (Sentences/Size/nWords)
AraBERTv0.2-basebert-base-arabertv02543MB / 136MNo200M / 77GB / 8.6B
AraBERTv0.2-largebert-large-arabertv021.38G / 371MNo200M / 77GB / 8.6B
AraBERTv2-basebert-base-arabertv2543MB / 136MYes200M / 77GB / 8.6B
AraBERTv2-largebert-large-arabertv21.38G / 371MYes200M / 77GB / 8.6B
AraBERTv0.1-basebert-base-arabertv01543MB / 136MNo77M / 23GB / 2.7B
AraBERTv1-basebert-base-arabert543MB / 136MYes77M / 23GB / 2.7B
AraBERTv0.2-Twitter-basebert-base-arabertv02-twitter543MB / 136MNoSame as v02 + 60M Multi-Dialect Tweets
AraBERTv0.2-Twitter-largebert-large-arabertv02-twitter1.38G / 371MNoSame as v02 + 60M Multi-Dialect Tweets

Preprocessing

The model is trained on a sequence length of 64, using max length beyond 64 might result in degraded performance

It is recommended to apply our preprocessing function before training/testing on any dataset. The preprocessor will keep and space out emojis when used with a "twitter" model.

from arabert.preprocess import ArabertPreprocessor
from transformers import AutoTokenizer, AutoModelForMaskedLM

model_name="aubmindlab/bert-base-arabertv02-twitter"
arabert_prep = ArabertPreprocessor(model_name=model_name)

text = "ولن نبالغ إذا قلنا إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري"
arabert_prep.preprocess(text)
  
tokenizer = AutoTokenizer.from_pretrained("aubmindlab/bert-base-arabertv02-twitter")
model = AutoModelForMaskedLM.from_pretrained("aubmindlab/bert-base-arabertv02-twitter")

If you used this model please cite us as :

Google Scholar has our Bibtex wrong (missing name), use this instead

@inproceedings{antoun2020arabert,
  title={AraBERT: Transformer-based Model for Arabic Language Understanding},
  author={Antoun, Wissam and Baly, Fady and Hajj, Hazem},
  booktitle={LREC 2020 Workshop Language Resources and Evaluation Conference 11--16 May 2020},
  pages={9}
}

Acknowledgments

Thanks to TensorFlow Research Cloud (TFRC) for the free access to Cloud TPUs, couldn't have done it without this program, and to the AUB MIND Lab Members for the continuous support. Also thanks to Yakshof and Assafir for data and storage access. Another thanks for Habib Rahal (https://www.behance.net/rahalhabib), for putting a face to AraBERT.

Contacts

Wissam Antoun: Linkedin | Twitter | Github | wfa07@mail.aub.edu | wissam.antoun@gmail.com

Fady Baly: Linkedin | Twitter | Github | fgb06@mail.aub.edu | baly.fady@gmail.com

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
263c66e

0 моделей