/ Модель

Характеристики

Параметры
793 млн
Лицензия
MIT
Архитектура
t5 · dense
Опубликована
8 апр 2024

Fine-Tashkeel

Генерация текстаТекст → текст3 профессии

Дообученная на Tashkeela модель ByT5 для восстановления диакритических знаков в классическом арабском тексте.

781скачиваний за 30 дней10лайковвеса обновлены5 сен 2024

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 «Текст» — 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

Модель Fine-Tashkeel разработана для восстановления диакритических знаков в арабском тексте. Это дообученная версия ByT5 с архитектурой T5, которая обрабатывает текст без предварительной токенизации на слова и символы; размер модели — 793,3 млн параметров. Дообучение выполнено на наборе данных Tashkeela в течение 13 000 шагов.

Модель предназначена прежде всего для огласовки классического арабского языка: она получает текст без диакритики и генерирует текст с восстановленными знаками. В README сообщаются Diacritics Error Rate 0,95 и Word Error Rate 2,49. Модель опубликована разработчиками для сообщества исследователей, но это само по себе не ограничивает её практическое применение. Лицензия — MIT.

Сценарии применения

  • восстановление огласовок в классическом арабском тексте
  • добавление диакритических знаков в арабские рукописи и издания
  • подготовка арабских учебных текстов с огласовками
  • автоматическая диакритизация арабских текстовых корпусов

Ограничения

Модель обучена специально для классического арабского языка, поэтому её пригодность для других вариантов арабского не установлена. В README приведены метрики DER 0,95 и WER 2,49 без описания протокола оценки.

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

Fine-Tashkeel: Finetuning Byte-Level Models for Accurate Arabic Text Diacritization

Table of Contents

Introduction

Most of previous work on learning diacritization of the Arabic language relied on training models from scratch. In this paper, we investigate how to leverage pre-trained language models to learn diacritization. We finetune token-free pre-trained multilingual models (ByT5) to learn to predict and insert missing diacritics in Arabic text, a complex task that requires understanding the sentence semantics and the morphological structure of the tokens. We show that we can achieve state-of-the-art on the diacritization task with minimal amount of training and no feature engineering, reducing WER by 40%. We release our finetuned models for the greater benefit of the researchers in the community.

Model Description

The ByT5 model, distinguished by its innovative token-free architecture, directly processes raw text to adeptly navigate diverse languages and linguistic nuances. Pre-trained on a comprehensive text corpus mc4, ByT5 excels in understanding and generating text, making it versatile for various NLP tasks. We have further enhanced its capabilities by fine-tuning it on a Tashkeela data set for 13,000 steps, significantly refining its performance in restoring the diacritical marks for Arabic.

Benchmarks

Note: This model has been trained specifically for use with Classical Arabic.

Our model attained a Diacritics Error Rate (DER) of 0.95 and a Word Error Rate (WER) of 2.49.

Code sample to use the model.

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
import pandas as pd


if __name__ == "__main__":

  text = "كيف الحال"
  
  model_name = "basharalrfooh/Fine-Tashkeel" 
  
  tokenizer = AutoTokenizer.from_pretrained(model_name)
  model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
  
  input_ids = tokenizer(text, return_tensors="pt").input_ids
  outputs = model.generate(input_ids, max_new_tokens=128)
  decoded_output = tokenizer.decode(outputs[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)
  print("Generated output:", decoded_output)

Citation

@misc{alrfooh2023finetashkeel,
      title={Fine-Tashkeel: Finetuning Byte-Level Models for Accurate Arabic Text Diacritization}, 
      author={Bashar Al-Rfooh and Gheith Abandah and Rami Al-Rfou},
      year={2023},
      eprint={2303.14588},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Contact

bashar@alrfou.com

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
5807fb0

0 моделей