/ Модель

Характеристики

Контекст
512 токенов
Параметры
214 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Опубликована
6 дек 2023

afriteva_v2_base

Языковая модель9 профессий

Мультиязычная модель T5 1.1, предобученная на корпусе Wura для африканских языков и предназначенная для дообучения на NLP-задачи.

2 788скачиваний за 30 дней9лайковвеса обновлены30 июн 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

AfriTeVa V2 Base — мультиязычная модель семейства T5 версии 1.1, разработанная авторами исследования о качестве предобучающих данных и моделей T5 для африканских языков. Модель предобучена на корпусе Wura с размером словаря 150 000 токенов. В метаданных каталога указано 214,4 млн параметров; в README приведено другое значение — 428 млн параметров.

Модель служит базой для дообучения на классификацию текста, машинный перевод, суммаризацию и межъязыковой вопросно-ответный поиск. В исследовании она превзошла существовавшие базовые модели на этих задачах, а на оценке межъязыкового QA показала результат более чем вдвое выше multilingual T5. Она ориентирована на африканские языки, включая амхарский, хауса, игбо, суахили, йоруба и зулу, а также поддерживает английский, французский и португальский. Лицензия — Apache-2.0.

При дообучении рекомендуется повторно включить dropout, отключённый во время предобучения. Приведённые результаты относятся к оценкам из исследования и не гарантируют качество на произвольных данных.

Сценарии применения

  • классификация текстов на африканских языках
  • перевод между африканскими языками и другими языками
  • суммаризация документов на африканских языках
  • ответы на вопросы по текстам на разных языках
  • межъязыковой поиск ответов на вопросы

Ограничения

Модель предобучалась с отключённым dropout; при дообучении README рекомендует включить его повторно. Заявленные преимущества относятся к оценке четырёх задач в исследовании и не гарантируют результаты на других наборах данных.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AfriTeVa V2 Base

AfriTeVa V2 Base is a multilingual T5 Version 1.1 model pretrained on Wura with a vocabulary size of 150,000. The model has been shown to improve over existing baselines on Text Classification, Machine Translation, Summarization and Cross-lingual Question Answering. The model has 428M parameters.

Paper: Better Quality Pretraining Data & T5 Models for African Languages

Authors: Akintunde Oladipo, Mofetoluwa Adeyemi, Orevaoghene Ahia, Abraham Toluwalase Owodunni, Odunayo Ogundepo, David Ifeoluwa Adelani, Jimmy Lin

NOTES:

  • Dropout was turned off during pretraining and should be re-enabled for finetuning.
  • Other checkpoints are available here.

Abstract

In this study, we highlight the importance of enhancing the quality of pretraining data in multilingual language models. Existing web crawls have demonstrated quality issues, particularly in the context of low-resource languages. Consequently, we introduce a new multilingual pretraining corpus for African languages, designed by carefully auditing existing pretraining corpora to understand and rectify prevalent quality issues. To compile this dataset, we undertake a rigorous examination of current data sources for thirteen languages within one of the most extensive multilingual web crawls, mC4, and extract cleaner data through meticulous auditing and improved web crawling strategies. Subsequently, we pretrain a new T5-based model on this dataset and evaluate its performance on multiple downstream tasks. Our model demonstrates better downstream effectiveness over existing pretrained models across four NLP tasks, underscoring the critical role data quality plays in pretraining language models in low-resource scenarios. Specifically, on cross-lingual QA evaluation, our new model is more than twice as effective as multilingual T5. All code, data and models are publicly available at castorini/AfriTeVa-keji.

Citation Information

@inproceedings{oladipo-etal-2023-better,
    title = "Better Quality Pre-training Data and T5 Models for {A}frican Languages",
    author = "Oladipo, Akintunde  and
      Adeyemi, Mofetoluwa  and
      Ahia, Orevaoghene  and
      Owodunni, Abraham  and
      Ogundepo, Odunayo  and
      Adelani, David  and
      Lin, Jimmy",
    editor = "Bouamor, Houda  and
      Pino, Juan  and
      Bali, Kalika",
    booktitle = "Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing",
    month = dec,
    year = "2023",
    address = "Singapore",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.emnlp-main.11",
    pages = "158--168",
    abstract = "In this study, we highlight the importance of enhancing the quality of pretraining data in multilingual language models. Existing web crawls have demonstrated quality issues, particularly in the context of low-resource languages. Consequently, we introduce a new multilingual pretraining corpus for 16 African languages, designed by carefully auditing existing pretraining corpora to understand and rectify prevalent quality issues. To compile this dataset, we undertake a rigorous examination of current data sources for thirteen languages within one of the most extensive multilingual web crawls, mC4, and extract cleaner data through meticulous auditing and improved web crawling strategies. Subsequently, we pretrain a new T5-based model on this dataset and evaluate its performance on multiple downstream tasks. Our model demonstrates better downstream effectiveness over existing pretrained models across four NLP tasks, underscoring the critical role data quality plays in pretraining language models in low-resource scenarios. Specifically, on cross-lingual QA evaluation, our new model is more than twice as effective as multilingual T5. All code, data and models are publicly available at https://github.com/castorini/AfriTeVa-keji.",
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
8f6d283

0 моделей