/ Модель

Характеристики

Контекст
514 токенов
Параметры
71,9 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
29 ноя 2023

roberta-small-turkish-clean-uncased

Заполнение пропусковТекст → текст3 профессии

Компактная турецкая RoBERTa заполняет замаскированные пропуски в корректно написанных текстах.

16скачиваний за 30 дней5лайковвеса обновлены30 ноя 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

RoBERTaTurk-Small-Clean — компактная турецкоязычная модель семейства RoBERTa, разработанная burakaytan. Она обучена на очищенных текстах турецкой Википедии, OSCAR и новостных сайтов; авторы отфильтровали предложения с ошибками из исходного корпуса объёмом 38 ГБ и использовали 20 ГБ качественных данных. Модель имеет 8 слоёв вместо 12 у обычной RoBERTa и содержит 71,9 млн параметров; максимальный контекст — 514 токенов.

Модель предназначена для заполнения пропусков в турецком тексте и анализа контекста вокруг замаскированного токена. Она рассчитана прежде всего на грамотно написанные тексты без ошибок; компактный размер упрощает и ускоряет запуск по сравнению с более крупными моделями. Репозиторий содержит веса PyTorch, лицензия — MIT.

Сценарии применения

  • подстановка пропущенного слова в турецком предложении
  • предложение вариантов для замаскированного токена
  • проверка языкового контекста в турецких текстах

Ограничения

Лучше подходит для корректно написанного турецкого текста и может хуже работать с опечатками и ошибками. Контекст ограничен 514 токенами.

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

🇹🇷 RoBERTaTurk-Small-Clean

Model description

It was trained with a clean dataset free of typos.

This is a Turkish small clean RoBERTa model, trained to understand Turkish language better. We used special, clean data from Turkish Wikipedia, Turkish OSCAR, and news websites. First, we had 38 GB of data, but we took out all the sentences with mistakes in them. So, the model was trained with 20 GB of good quality data. This helps the model work really well with Turkish texts that don't have errors.

The model is a bit smaller than the usual RoBERTa model. It has 8 layers instead of 12, which makes it faster and easier to use but still very good at understanding Turkish.

It's built to be really good at understanding Turkish, especially when the texts are written correctly without errors. Thanks to Turkcell we could train the model on Intel(R) Xeon(R) Gold 6230R CPU @ 2.10GHz 256GB RAM 2 x GV100GL [Tesla V100 PCIe 32GB] GPU for 1.5M steps.

Usage

Load transformers library with:

from transformers import AutoTokenizer, AutoModelForMaskedLM
  
tokenizer = AutoTokenizer.from_pretrained("burakaytan/roberta-small-turkish-clean-uncased")
model = AutoModelForMaskedLM.from_pretrained("burakaytan/roberta-small-turkish-clean-uncased")

Fill Mask Usage

from transformers import pipeline

fill_mask = pipeline(
    "fill-mask",
    model="burakaytan/roberta-small-turkish-clean-uncased",
    tokenizer="burakaytan/roberta-small-turkish-clean-uncased"
)

fill_mask("iki ülke arasında <mask> başladı")

[{'sequence': 'iki ülke arasında savaş başladı',
  'score': 0.14830906689167023,
  'token': 1745,
  'token_str': ' savaş'},
 {'sequence': 'iki ülke arasında çatışmalar başladı',
  'score': 0.1442396193742752,
  'token': 18223,
  'token_str': ' çatışmalar'},
 {'sequence': 'iki ülke arasında gerginlik başladı',
  'score': 0.12025047093629837,
  'token': 13638,
  'token_str': ' gerginlik'},
 {'sequence': 'iki ülke arasında çatışma başladı',
  'score': 0.0615813322365284,
  'token': 5452,
  'token_str': ' çatışma'},
 {'sequence': 'iki ülke arasında görüşmeler başladı',
  'score': 0.04512731358408928,
  'token': 4736,
  'token_str': ' görüşmeler'}]

Citation and Related Information

To cite this model:


@article{aytan2023deep,
  title={Deep learning-based Turkish spelling error detection with a multi-class false positive reduction model},
  author={AYTAN, BURAK and {\c{S}}AKAR, CEMAL OKAN},
  journal={Turkish Journal of Electrical Engineering and Computer Sciences},
  volume={31},
  number={3},
  pages={581--595},
  year={2023}
}

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
RobertaForMaskedLM
Ревизия весов
c6f3c65

0 моделей