/ Модель

Характеристики

Контекст
512 токенов
Параметры
205 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
13 фев 2024

CT-mBERT-SE

ЭмбеддингиТекст → embedding5 профессий

Производная модели crisistransformers/CT-XLMR-SE. Многоязычный энкодер CrisisTransformers для векторизации и сравнения сходства предложений о кризисных событиях.

487скачиваний за 30 дней0лайковвеса обновлены12 дек 2025

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 «Эмбеддинги» — 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

Карточка модели crisistransformers/CT-mBERT-SE на Hugging Face совпадает с карточкой crisistransformers/CT-XLMR-SE, поэтому описание составлено по ней.

CT-XLMR-SE — многоязычный энкодер предложений из семейства CrisisTransformers, разработанный авторами этих моделей для текстов кризисных событий в социальных сетях. Он основан на архитектуре XLM-RoBERTa и обучен на корпусе публикаций о более чем 30 кризисах; число параметров — 305,2 млн, контекст — до 514 токенов. Модель создаёт векторные представления предложений и предназначена для семантического поиска, кластеризации и тематического моделирования кризисных сообщений. Энкодер поддерживает более 50 языков, включая русский и английский, и может применяться без дополнительного дообучения для задач векторизации и сравнения сходства предложений. В метаданных указана лицензия Apache-2.0.

Сценарии применения

  • семантический поиск по сообщениям о кризисах
  • кластеризация публикаций о стихийных бедствиях и конфликтах
  • тематическое моделирование кризисных сообщений
  • поиск семантически похожих сообщений на разных языках

Ограничения

Модель предназначена для представления и сравнения предложений, а не для генерации текста; её специализация на кризисных сообщениях может ограничивать качество на текстах из других областей.

Для каких профессий подходит5

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

CrisisTransformers

CrisisTransformers is a family of pre-trained language models and sentence encoders introduced in the papers "CrisisTransformers: Pre-trained language models and sentence encoders for crisis-related social media texts" and "Semantically Enriched Cross-Lingual Sentence Embeddings for Crisis-related Social Media Texts". The models were trained based on the RoBERTa pre-training procedure on a massive corpus of over 15 billion word tokens sourced from tweets associated with 30+ crisis events such as disease outbreaks, natural disasters, conflicts, etc. Please refer to the associated paper for more details.

CrisisTransformers were evaluated on 18 public crisis-specific datasets against strong baselines. Our pre-trained models outperform the baselines across all 18 datasets in classification tasks, and our best-performing sentence-encoder (mono-lingual) outperforms the state-of-the-art by more than 17% in sentence encoding tasks. The multi-lingual sentence encoders (support 50+ languages; see associated paper) are designed to approximate the embedding space of the best-performing mono-lingual sentence encoder.

Uses

CrisisTransformers has 8 pre-trained models, 1 mono-lingual and 2 multi-lingual sentence encoders. The pre-trained models should be finetuned for downstream tasks just like BERT and RoBERTa. The sentence encoders can be used out-of-the-box just like Sentence-Transformers for sentence encoding to facilitate tasks such as semantic search, clustering, topic modelling.

Models and naming conventions

CT-M1 models were trained from scratch up to 40 epochs, while CT-M2 models were initialized with pre-trained RoBERTa's weights and CT-M3 models were initialized with pre-trained BERTweet's weights and both trained for up to 20 epochs. OneLook represents the checkpoint after 1 epoch, BestLoss represents the checkpoint with the lowest loss during training, and Complete represents the checkpoint after completing all epochs. SE represents sentence encoder.

pre-trained modelsource
CT-M1-BestLosscrisistransformers/CT-M1-BestLoss
CT-M1-Completecrisistransformers/CT-M1-Complete
CT-M2-OneLookcrisistransformers/CT-M2-OneLook
CT-M2-BestLosscrisistransformers/CT-M2-BestLoss
CT-M2-Completecrisistransformers/CT-M2-Complete
CT-M3-OneLookcrisistransformers/CT-M3-OneLook
CT-M3-BestLosscrisistransformers/CT-M3-BestLoss
CT-M3-Completecrisistransformers/CT-M3-Complete
sentence encodersource
CT-M1-Complete-SE (mono-lingual: EN)crisistransformers/CT-M1-Complete-SE
CT-XLMR-SE (multi-lingual)crisistransformers/CT-XLMR-SE
CT-mBERT-SE (multi-lingual)crisistransformers/CT-mBERT-SE

Languages supported by the multi-lingual sentence encoders: Albanian, Arabic, Armenian, Bulgarian, Catalan, Chinese (Simplified), Chinese (Traditional), Croatian, Czech, Danish, Dutch, Estonian, Finnish, French, French (Canada), Galician, Georgian, German, Greek, Gujarati, Hebrew, Hindi, Hungarian, Indonesian, Italian, Japanese, Korean, Kurdish (Sorani), Latvian, Lithuanian, Macedonian, Malay, Marathi, Mongolian, Myanmar (Burmese), Norwegian, Persian, Polish, Portuguese, Portuguese (Brazil), Romanian, Russian, Serbian, Slovak, Slovenian, Spanish, Swedish, Thai, Turkish, Ukrainian, Urdu, and Vietnamese.

Citation

If you use CrisisTransformers and the mono-lingual sentence encoder, please cite the following paper:

@article{lamsal2023crisistransformers,
      title={CrisisTransformers: Pre-trained language models and sentence encoders for crisis-related social media texts}, 
      author={Rabindra Lamsal and
		      Maria Rodriguez Read and
		      Shanika Karunasekera},
      journal={Knowledge-Based Systems},
      pages={111916},
      year={2024},
      publisher={Elsevier}
}

If you use the multi-lingual sentence encoders, please cite the following paper:

@article{lamsal2024semantically,
      title={Semantically Enriched Cross-Lingual Sentence Embeddings for Crisis-related Social Media Texts}, 
      author={Rabindra Lamsal and
		      Maria Rodriguez Read and
		      Shanika Karunasekera},
      year={2024},
      eprint={2403.16614},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
b282688

0 моделей