/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Лицензия
Apache 2.0
Архитектура
deberta · dense
Библиотека
transformers
Опубликована
7 фев 2023

deberta-v1-base

ЭмбеддингиТекст → embedding9 профессий

Предварительно обученный русский энкодер DeBERTa для извлечения контекстных представлений текста и последующего дообучения под NLP-задачи.

490скачиваний за 30 дней8лайковвеса обновлены10 авг 2023

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 оценки29

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • SIB200Classification

    main_score

    Результат

    0,2924

    Общий результат 0,3657Общий результат 0,2914Общий результат 0,291
    MTEB

    Публичная таблицаревизия совпадает

  • STS22.v2

    main_score

    Результат

    0,1734

    MTEB

    Публичная таблицаревизия совпадает

  • DiaBlaBitextMining

    main_score

    Результат

    0,0062

    MTEB

    Публичная таблицаревизия совпадает

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,0937

    MTEB

    Публичная таблицаревизия совпадает

  • SIB200ClusteringS2S

    main_score

    Результат

    0,0161

    Общий результат 0,0252
    MTEB

    Публичная таблицаревизия совпадает

  • CUREv1

    main_score

    Результат

    0,0039

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveScenarioClassification

    main_score

    Результат

    0,1859

    Общий результат 0,2464Общий результат 0,1572
    MTEB

    Публичная таблицаревизия совпадает

  • NTREXBitextMining

    main_score

    Результат

    0,4858

    Общий результат 0,0444
    MTEB

    Публичная таблицаревизия совпадает

  • XMarket

    main_score

    Результат

    0,0065

    MTEB

    Публичная таблицаревизия совпадает

  • MTOPDomainClassification

    main_score

    Результат

    0,4969

    MTEB

    Публичная таблицаревизия совпадает

  • TempReasonL3Fact

    main_score

    Результат

    0,0093

    MTEB

    Публичная таблицаревизия совпадает

  • MLSUMClusteringP2P

    main_score

    Результат

    0,2407

    MTEB

    Публичная таблицаревизия совпадает

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0163

    MTEB

    Публичная таблицаревизия совпадает

  • MassiveIntentClassification

    main_score

    Результат

    0,2977

    Общий результат 0,1431
    MTEB

    Публичная таблицаревизия совпадает

  • DutchNewsArticlesClusteringS2S

    main_score

    Результат

    0,0538

    MTEB

    Публичная таблицаревизия совпадает

  • NusaTranslationBitextMining

    main_score

    Результат

    0,6661

    MTEB

    Публичная таблицаревизия совпадает

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,6506

    Общий результат 0,6463
    MTEB

    Публичная таблицаревизия совпадает

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0

    Общий результат 0Общий результат 0Общий результат 0
    MTEB

    Публичная таблицаревизия совпадает

  • MLQARetrieval

    main_score

    Результат

    0,0012

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRerankingMultilingual

    main_score

    Результат

    0,392

    MTEB

    Публичная таблицаревизия совпадает

  • AfriSentiClassification

    main_score

    Результат

    0,3717

    MTEB

    Публичная таблицаревизия совпадает

  • TempReasonL1

    main_score

    Результат

    0,0016

    MTEB

    Публичная таблицаревизия совпадает

  • SwednClusteringP2P

    main_score

    Результат

    0,0367

    MTEB

    Публичная таблицаревизия совпадает

  • NusaXBitextMining

    main_score

    Результат

    0,015

    MTEB

    Публичная таблицаревизия совпадает

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,0226

    MTEB

    Публичная таблицаревизия совпадает

  • MultiHateClassification

    main_score

    Результат

    0,5914

    MTEB

    Публичная таблицаревизия совпадает

  • CQADupstackRetrieval

    main_score

    Результат

    0,0114

    MTEB

    Публичная таблицаревизия совпадает

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0

    Общий результат 0,0004
    MTEB

    Публичная таблицаревизия совпадает

  • PawsXPairClassification

    main_score

    Результат

    0,5218

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

deepvk/deberta-v1-base — предварительно обученный двунаправленный энкодер DeBERTa, разработанный deepvk для русского языка. Модель обучена на задаче masked language modeling на корпусе примерно из 400 ГБ очищенных и дедуплицированных текстов: Википедии, книг, комментариев, новостей, субтитров и других источников. В обучающих данных преобладает русский язык, также присутствует небольшая доля других языков.

Модель содержит 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Она принимает текст и извлекает контекстные векторные представления для последующего дообучения или использования в NLP-задачах. Это только энкодер без предварительно обученной задачи-специфичной головы, поэтому для классификации и других прикладных задач обычно требуется добавить и обучить соответствующую голову. Максимальная длина контекста — 512 токенов.

В карточке приведены результаты оценки на русскоязычном наборе Russian SuperGLUE. Модель распространяется под лицензией Apache 2.0.

Сценарии применения

  • извлечение векторных представлений русскоязычных текстов
  • подготовка энкодера для классификации текстов
  • дообучение на задачах понимания русского языка
  • использование как основы для оценки сходства текстов после адаптации

Ограничения

Модель содержит только энкодер и не имеет предварительно обученной выходной головы для конкретной задачи; для классификации и других прикладных сценариев потребуется отдельная голова и дообучение. Контекст ограничен 512 токенами.

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

DeBERTa-base

Pretrained bidirectional encoder for russian language. The model was trained using standard MLM objective on large text corpora including open social data. See Training Details section for more information.

⚠️ This model contains only the encoder part without any pretrained head.

  • Developed by: deepvk
  • Model type: DeBERTa
  • Languages: Mostly russian and small fraction of other languages
  • License: Apache 2.0

How to Get Started with the Model

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("deepvk/deberta-v1-base")
model = AutoModel.from_pretrained("deepvk/deberta-v1-base")

text = "Привет, мир!"

inputs = tokenizer(text, return_tensors='pt')
predictions = model(**inputs)

Training Details

Training Data

400 GB of filtered and deduplicated texts in total. A mix of the following data: Wikipedia, Books, Twitter comments, Pikabu, Proza.ru, Film subtitles, News websites, and Social corpus.

Deduplication procedure

  1. Calculate shingles with size of 5
  2. Calculate MinHash with 100 seeds → for every sample (text) have a hash of size 100
  3. Split every hash into 10 buckets → every bucket, which contains (100 / 10) = 10 numbers, get hashed into 1 hash → we have 10 hashes for every sample
  4. For each bucket find duplicates: find samples which have the same hash → calculate pair-wise jaccard similarity → if the similarity is >0.7 than it's a duplicate
  5. Gather duplicates from all the buckets and filter

Training Hyperparameters

ArgumentValue
Training regimefp16 mixed precision
OptimizerAdamW
Adam betas0.9,0.98
Adam eps1e-6
Weight decay1e-2
Batch size2240
Num training steps1kk
Num warm-up steps10k
LR schedulerLinear
LR2e-5
Gradient norm1.0

The model was trained on a machine with 8xA100 for approximately 30 days.

Architecture details

ArgumentValue
Encoder layers12
Encoder attention heads12
Encoder embed dim768
Encoder ffn embed dim3,072
Activation functionGeLU
Attention dropout0.1
Dropout0.1
Max positions512
Vocab size50266
Tokenizer typeByte-level BPE

Evaluation

We evaluated the model on Russian Super Glue dev set. The best result in each task is marked in bold. All models have the same size except the distilled version of DeBERTa.

ModelRCBPARusMuSeRCTERRaRUSSERWSDDaNetQAScore
vk-deberta-distill0.4330.560.6250.590.9430.5690.7260.635
vk-roberta-base0.460.560.6790.7690.9600.5690.6580.665
vk-deberta-base0.4500.610.7220.7040.9480.5780.760.682
vk-bert-base0.4670.570.5870.7040.9530.5830.7370.657
sber-bert-base0.4910.610.6630.7690.9620.5740.6780.678

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaModel
Ревизия весов
bdd30b0

0 моделей