/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Лицензия
CC BY 4.0
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
31 авг 2023

PuoBERTaJW300

Заполнение пропусковТекст → текст

Модель RoBERTa для Setswana предсказывает пропущенные слова и служит основой для дообучения под языковые задачи.

64скачиваний за 30 дней0лайковвеса обновлены26 янв 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

PuoBERTaJW300 — языковая модель на архитектуре RoBERTa, разработанная Vukosi Marivate, Moseli Mots'Oehli, Valencia Wagner, Richard Lastrucci и Isheanesu Dzingirai. Модель обучена на корпусах Setswana, включая PuoData и JW300, и предназначена для предсказания пропущенных токенов в тексте.

Модель содержит 96,6 млн параметров и обрабатывает последовательности длиной до 514 токенов. Её можно дообучать для последующих задач обработки языка; в карточке приведены примеры применения в классификации новостей, разметке частей речи и распознавании именованных сущностей. Распространяется по лицензии CC BY 4.0.

Сценарии применения

  • предсказание пропущенных слов в текстах на Setswana
  • дообучение классификатора новостей на Setswana
  • дообучение модели разметки частей речи на Setswana
  • дообучение модели распознавания именованных сущностей на Setswana

Ограничения

Для классификации новостей, разметки частей речи и распознавания именованных сущностей модель нужно дообучить. Указанный контекст ограничен 514 токенами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PuoBertaJW300: A curated Setswana Language Model (trained on PuoData + JW300 Setswana)

Zenodo doi badge arXiv 🤗 https://huggingface.co/dsfsi/PuoBERTa

A Roberta-based language model specially designed for Setswana, using the new PuoData dataset + JW300 corpora.

NOTE: If you are looking for the model without JW300, go to https://huggingface.co/dsfsi/PuoBERTa

Model Details

Model Description

This is a masked language model trained on Setswana corpora, making it a valuable tool for a range of downstream applications from translation to content creation. It's powered by the PuoData dataset to ensure accuracy and cultural relevance.

  • Developed by: Vukosi Marivate (@vukosi), Moseli Mots'Oehli (@MoseliMotsoehli) , Valencia Wagner, Richard Lastrucci and Isheanesu Dzingirai
  • Model type: RoBERTa Model
  • Language(s) (NLP): Setswana
  • License: CC BY 4.0

Usage

Use this model filling in masks or finetune for downstream tasks. Here’s a simple example for masked prediction:

from transformers import RobertaTokenizer, RobertaModel

# Load model and tokenizer
model = RobertaModel.from_pretrained('dsfsi/PuoBERTaJW300')
tokenizer = RobertaTokenizer.from_pretrained('dsfsi/PuoBERTaJW300')

Downstream Use

Downstream Performance

Daily News Dikgang

Learn more about the dataset in the Dataset Folder

Model5-fold Cross Validation F1Test F1
Logistic Regression + TFIDF60.156.2
NCHLT TSN RoBERTa64.760.3
PuoBERTa63.862.9
PuoBERTaJW30066.265.4

Downstream News Categorisation model 🤗 https://huggingface.co/dsfsi/PuoBERTa-News

MasakhaPOS

Performance of models on the MasakhaPOS downstream task.

ModelTest Performance
Multilingual Models
AfroLM83.8
AfriBERTa82.5
AfroXLMR-base82.7
AfroXLMR-large83.0
Monolingual Models
NCHLT TSN RoBERTa82.3
PuoBERTa83.4
PuoBERTa+JW30084.1

Downstream POS model 🤗 https://huggingface.co/dsfsi/PuoBERTa-POS

MasakhaNER

Performance of models on the MasakhaNER downstream task.

ModelTest Performance (f1 score)
Multilingual Models
AfriBERTa83.2
AfroXLMR-base87.7
AfroXLMR-large89.4
Monolingual Models
NCHLT TSN RoBERTa74.2
PuoBERTa78.2
PuoBERTa+JW30080.2

Downstream NER model 🤗 https://huggingface.co/dsfsi/PuoBERTa-NER

Pre-Training Dataset

We used the PuoData dataset, a rich source of Setswana text, ensuring that our model is well-trained and culturally attuned.

Github, 🤗 https://huggingface.co/datasets/dsfsi/PuoData

Citation Information

Bibtex Reference

@inproceedings{marivate2023puoberta,
  title   = {PuoBERTa: Training and evaluation of a curated language model for Setswana},
  author  = {Vukosi Marivate and Moseli Mots'Oehli and Valencia Wagner and Richard Lastrucci and Isheanesu Dzingirai},
  year    = {2023},
  booktitle= {Artificial Intelligence Research. SACAIR 2023. Communications in Computer and Information Science},
  url= {https://link.springer.com/chapter/10.1007/978-3-031-49002-6_17},
  keywords = {NLP},
  preprint_url = {https://arxiv.org/abs/2310.09141},
  dataset_url = {https://github.com/dsfsi/PuoBERTa},
  software_url = {https://huggingface.co/dsfsi/PuoBERTa}
}

Contributing

Your contributions are welcome! Feel free to improve the model.

Model Card Authors

Vukosi Marivate

Model Card Contact

For more details, reach out or check our website.

Email: vukosi.marivate@cs.up.ac.za

Enjoy exploring Setswana through AI!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
03be2c4

0 моделей