/ Модель

Характеристики

Контекст
514 токенов
Параметры
659 млн
Лицензия
CC BY-SA 4.0
Архитектура
xlm-roberta · dense
Опубликована
8 ноя 2023

xlm-r-slobertic

Заполнение пропусковТекст → текст3 профессии

Энкодер XLM-RoBERTa, дополнительно предобученный на южнославянских языках для заполнения пропусков и последующего дообучения под прикладные задачи.

605скачиваний за 30 дней0лайковвеса обновлены15 апр 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

XLM-R-SloBertić — языковая модель, созданная разработчиками CLASSLA путём дополнительного предобучения XLM-RoBERTa-large на корпусе XLM-R-BERTić для южнославянских языков. Это энкодерная модель архитектуры XLM-RoBERTa с 658,7 млн параметров и контекстом до 514 токенов; в репозитории представлены веса PyTorch.

Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под прикладные задачи. В карточке приведены результаты отдельных дообученных вариантов для распознавания именованных сущностей, оценки тональности и выбора правдоподобной альтернативы. Эти оценки относятся к конкретным экспериментам и датасетам, а не гарантируют качество исходной модели на произвольных данных.

Модель ориентирована на хорватский, словенский, боснийский и сербский языки. Распространяется по лицензии CC-BY-SA-4.0.

Сценарии применения

  • заполнение пропущенных слов в хорватском тексте
  • заполнение пропусков в словенском тексте
  • дообучение для распознавания именованных сущностей на южнославянских языках
  • дообучение для оценки тональности текстов на боснийском, хорватском и сербском
  • дообучение для выбора правдоподобной альтернативы в сербском или хорватском

Ограничения

Для прикладных задач, таких как NER, анализ тональности и COPA, приведённые результаты получены после отдельного дообучения; показатели не следует считать оценкой исходного чекпойнта. 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

XLM-R-SloBertić

This model was produced by pre-training XLM-Roberta-large 48k steps on South Slavic languages using XLM-R-BERTić dataset

Benchmarking

Three tasks were chosen for model evaluation:

  • Named Entity Recognition (NER)
  • Sentiment regression
  • COPA (Choice of plausible alternatives)

In all cases, this model was finetuned for specific downstream tasks.

NER

Mean F1 scores were used to evaluate performance. Datasets used: hr500k, ReLDI-sr, ReLDI-hr, and SETimes.SR.

systemdatasetF1 score
XLM-R-BERTićhr500k0.927
BERTićhr500k0.925
XLM-R-SloBERTićhr500k0.923
XLM-Roberta-Largehr500k0.919
crosloengual-berthr500k0.918
XLM-Roberta-Basehr500k0.903
systemdatasetF1 score
XLM-R-SloBERTićReLDI-hr0.812
XLM-R-BERTićReLDI-hr0.809
crosloengual-bertReLDI-hr0.794
BERTićReLDI-hr0.792
XLM-Roberta-LargeReLDI-hr0.791
XLM-Roberta-BaseReLDI-hr0.763
systemdatasetF1 score
XLM-R-SloBERTićSETimes.SR0.949
XLM-R-BERTićSETimes.SR0.940
BERTićSETimes.SR0.936
XLM-Roberta-LargeSETimes.SR0.933
crosloengual-bertSETimes.SR0.922
XLM-Roberta-BaseSETimes.SR0.914
systemdatasetF1 score
XLM-R-BERTićReLDI-sr0.841
XLM-R-SloBERTićReLDI-sr0.824
BERTićReLDI-sr0.798
XLM-Roberta-LargeReLDI-sr0.774
crosloengual-bertReLDI-sr0.751
XLM-Roberta-BaseReLDI-sr0.734

Sentiment regression

ParlaSent dataset was used to evaluate sentiment regression for Bosnian, Croatian, and Serbian languages. The procedure is explained in greater detail in the dedicated benchmarking repository.

systemtraintestr^2
xlm-r-parlasentParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.615
BERTićParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.612
XLM-R-SloBERTićParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.607
XLM-Roberta-LargeParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.605
XLM-R-BERTićParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.601
crosloengual-bertParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.537
XLM-Roberta-BaseParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl0.500
dummy (mean)ParlaSent_BCS.jsonlParlaSent_BCS_test.jsonl-0.12

COPA

systemdatasetAccuracy score
BERTićCopa-SR0.689
XLM-R-SloBERTićCopa-SR0.665
XLM-R-BERTićCopa-SR0.637
crosloengual-bertCopa-SR0.607
XLM-Roberta-BaseCopa-SR0.573
XLM-Roberta-LargeCopa-SR0.570
systemdatasetAccuracy score
BERTićCopa-HR0.669
XLM-R-SloBERTićCopa-HR0.628
XLM-R-BERTićCopa-HR0.635
crosloengual-bertCopa-HR0.669
XLM-Roberta-BaseCopa-HR0.585
XLM-Roberta-LargeCopa-HR0.571

Citation

Please cite the following paper:

 @article{Ljubešić_Suchomel_Rupnik_Kuzman_van Noord_2024,
title={Language Models on a Diet: Cost-Efficient Development of Encoders for Closely-Related Languages via Additional Pretraining},
url={http://arxiv.org/abs/2404.05428},
DOI={10.48550/arXiv.2404.05428},
abstractNote={The world of language models is going through turbulent times, better and ever larger models are coming out at an unprecedented speed. However, we argue that, especially for the scientific community, encoder models of up to 1 billion parameters are still very much needed, their primary usage being in enriching large collections of data with metadata necessary for downstream research. We investigate the best way to ensure the existence of such encoder models on the set of very closely related languages - Croatian, Serbian, Bosnian and Montenegrin, by setting up a diverse benchmark for these languages, and comparing the trained-from-scratch models with the new models constructed via additional pretraining of existing multilingual models. We show that comparable performance to dedicated from-scratch models can be obtained by additionally pretraining available multilingual models even with a limited amount of computation. We also show that neighboring languages, in our case Slovenian, can be included in the additional pretraining with little to no loss in the performance of the final model.},
note={arXiv:2404.05428 [cs]},
 number={arXiv:2404.05428},
publisher={arXiv},
author={Ljubešić, Nikola and Suchomel, Vít and Rupnik, Peter and Kuzman, Taja and van Noord, Rik},
year={2024},
month=apr
}

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
XLMRobertaForMaskedLM
Ревизия весов
a101ab9

0 моделей