/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
114 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Опубликована
3 дек 2024

dictabert-char

Заполнение пропусковТекст → текст3 профессии

Символьная модель BERT-base для иврита, предобученная предсказывать замаскированные фрагменты и поддерживать обработку шумных текстов.

114скачиваний за 30 дней2лайкавеса обновлены30 апр 2025

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

DictaBERT-char — символьная языковая модель на архитектуре BERT-base, разработанная для иврита. Она обучена на уровне символов и предобучена восстанавливать замаскированные фрагменты текста; модель предназначена для задач языкового моделирования и обработки ивритских текстов, в том числе шумных пользовательских данных и восстановления пропущенных пробелов в текстах из социальных сетей.

Модель содержит 114 млн параметров, использует архитектуру BertForMaskedLM и поддерживает контекст до 2048 токенов. Веса опубликованы в формате safetensors по лицензии CC BY 4.0. Статья о модели представлена на воркшопе W-NUT 2025.

Сценарии применения

  • восстановление пропущенных пробелов в ивритских текстах из соцсетей
  • заполнение пропусков в ивритском тексте
  • анализ шумных ивритских пользовательских текстов

Ограничения

Модель предобучена с целью masked language modeling; README не описывает отдельную настройку или оценку качества для иных задач. Для версии BERT-Large указан отдельный репозиторий.

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

DictaBERT-char: A Character-Level BERT-Base model for Hebrew.

DictaBERT-char is a BERT-style language model for Hebrew, based on the BERT-base architecture with a character level tokenizer. The model based on the BERT-Large architecture is available here.

This model is released to the public in this 2025 W-NUT paper: Avi Shmidman and Shaltiel Shmidman, "Restoring Missing Spaces in Scraped Hebrew Social Media", The 10th Workshop on Noisy and User-generated Text (W-NUT), 2025

This is the base model pretrained with the masked-language-modeling objective.

Sample usage:

from transformers import AutoModelForMaskedLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('dicta-il/dictabert-char')
model = AutoModelForMaskedLM.from_pretrained('dicta-il/dictabert-char')

model.eval()

sentence = 'בשנת 1948 השלים אפרים קישון את מחקרו בפיסול מתכת וב[MASK]ולדות האמנות והחל לפרסם מאמרים הומוריסטיים'

output = model(tokenizer.encode(sentence, return_tensors='pt'))
# the [MASK] is the 52nd token (including [CLS])
import torch
top_arg = torch.argmax(output.logits[0, 52, :])
print(tokenizer.convert_ids_to_tokens([top_arg])) # should print ['ת'] 

Citation

If you use DictaBERT-char in your research, please cite Restoring Missing Spaces in Scraped Hebrew Social Media

BibTeX:

@inproceedings{shmidman-shmidman-2025-restoring,
    title = "Restoring Missing Spaces in Scraped {H}ebrew Social Media",
    author = "Shmidman, Avi  and
      Shmidman, Shaltiel",
    editor = "Bak, JinYeong  and
      Goot, Rob van der  and
      Jang, Hyeju  and
      Buaphet, Weerayut  and
      Ramponi, Alan  and
      Xu, Wei  and
      Ritter, Alan",
    booktitle = "Proceedings of the Tenth Workshop on Noisy and User-generated Text",
    month = may,
    year = "2025",
    address = "Albuquerque, New Mexico, USA",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.wnut-1.3/",
    pages = "16--25",
    ISBN = "979-8-89176-232-9",
    abstract = "A formidable challenge regarding scraped corpora of social media is the omission of whitespaces, causing pairs of words to be conflated together as one. In order for the text to be properly parsed and analyzed, these missing spaces must be detected and restored. However, it is particularly hard to restore whitespace in languages such as Hebrew which are written without vowels, because a conflated form can often be split into multiple different pairs of valid words. Thus, a simple dictionary lookup is not feasible. In this paper, we present and evaluate a series of neural approaches to restore missing spaces in scraped Hebrew social media. Our best all-around method involved pretraining a new character-based BERT model for Hebrew, and then fine-tuning a space restoration model on top of this new BERT model. This method is blazing fast, high-performing, and open for unrestricted use, providing a practical solution to process huge Hebrew social media corpora with a consumer-grade GPU. We release the new BERT model and the fine-tuned space-restoration model to the NLP community."
}

License

Shield: CC BY 4.0

This work is licensed under a Creative Commons Attribution 4.0 International License.

CC BY 4.0

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
BertForMaskedLM
Ревизия весов
58849bc

0 моделей