/ Модель

Характеристики

Контекст
512 токенов
Параметры
95,2 млн
Лицензия
Apache 2.0
Архитектура
deberta · dense
Библиотека
transformers
Опубликована
17 мар 2023

deberta-v1-distill

ЭмбеддингиТекст → embedding10 профессий

Дистиллированный энкодер DeBERTa для извлечения контекстных представлений и последующей адаптации к задачам русского языка.

113скачиваний за 30 дней5лайковвеса 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 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

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов.

Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

Сценарии применения

  • получение векторных представлений русскоязычных текстов
  • подготовка признаков для классификации текстов
  • дообучение модели для анализа тональности
  • адаптация энкодера для разметки последовательностей
  • извлечение контекста для задач понимания русского языка

Ограничения

Модель содержит только энкодер и не имеет готовой предобученной выходной головы для конкретной задачи, поэтому для классификации и других прикладных задач потребуется дополнительная голова или дообучение. Контекст ограничен 512 токенами; русский язык преобладает, а другие языки представлены в меньшей доле.

Для каких профессий подходит10

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-distill

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-distill")
model = AutoModel.from_pretrained("deepvk/deberta-v1-distill")

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 size3840
Num training steps100k
Num warm-up steps5k
LR schedulerCosine
LR5e-4
Gradient norm1.0

The model was trained on a machine with 8xA100 for approximately 15 days.

Architecture details

ArgumentValue
Encoder layers6
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

Distilation

In our distillation procedure, we follow SANH et al.. The student is initialized from the teacher by taking only every second layer. We use the MLM loss and CE loss with coefficients of 0.5.

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
137340c

0 моделей