/ Модель

Характеристики

Контекст
514 токенов
Параметры
267 млн
Лицензия
CC BY 4.0
Архитектура
xlm-roberta · dense
Базовая модель
xlm-roberta-base
Библиотека
transformers
Опубликована
19 июл 2023

zabantu-xlm-roberta

Заполнение пропусковТекст → текст

Многоязычная XLM-RoBERTa для восстановления замаскированных слов и адаптации NLP-задач для девяти южноафриканских языков банту.

121скачиваний за 30 дней4лайкавеса обновлены5 окт 2026

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

Zabantu-XLM-RoBERTa — многоязычная модель с маскированным языковым моделированием, разработанная Ndamulelo Nemakhavhani в рамках исследования в Университете Претории. Она создана на архитектуре XLM-RoBERTa и дообучена на корпусе из девяти южноафриканских языков банту для изучения переноса знаний между родственными языками и улучшения поддержки тшивенда. Модель содержит 267,5 млн параметров, принимает текст и рассчитана на контекст до 514 токенов.

Основная задача модели — предсказывать замаскированные слова. Её можно адаптировать для классификации текстов, анализа тональности, распознавания именованных сущностей, разметки частей речи и оценки семантического сходства. В опубликованных результатах показаны обнадёживающие показатели классификации тем новостей, однако обучающие данные преимущественно представлены сетсваной и исикхоса, поэтому качество может различаться между языками, диалектами и предметными областями.

Модель ориентирована на тшивенда, сепеди, сесото, сетсвана, тсонга, исиндебеле, исикхоса, исизулу и свати. Распространяется по лицензии CC BY 4.0.

Сценарии применения

  • Восстановление пропущенных слов в текстах на языках банту
  • Классификация тем новостных текстов на тшивенда и сепеди
  • Анализ тональности текстов на южноафриканских языках банту
  • Распознавание имен и организаций после адаптации модели
  • Разметка частей речи после дообучения
  • Оценка смыслового сходства текстов после адаптации

Ограничения

Данные обучения преимущественно представлены сетсваной и исикхоса; покрытие диалектов может быть ограниченным. Для прикладных задач, кроме восстановления замаскированных слов, модель потребуется адаптировать и проверять на целевых данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Zabantu - Exploring Multilingual Language Model training for South African Bantu Languages

Zabantu-XLM-RoBERTa is a multilingual masked language model developed to investigate whether cross-lingual learning, via pretraining on related Bantu languages, can improve NLP coverage for Tshivenda, a language with very little text of its own. It uses the XLM-RoBERTa architecture and was pre-trained from scratch, inspired by AfriBERTa, developed by Kelechi Ogueji, Yuxin Zhu, and Jimmy Lin. Their paper, Small Data? No Problem! Exploring the Viability of Pretrained Multilingual Language Models for Low-resourced Languages (2021), demonstrated that competitive multilingual language models could be trained from scratch on limited amounts of text from African languages. This work applies cross-lingual learning to advance NLP applications in Tshivenda, and it also serves as a benchmark for future work on other Bantu languages.

The word Zabantu is derived from: "Za" for South Africa, and "bantu" for Bantu languages

This repository hosts the Zabantu large variant, trained on nine South African Bantu languages: Tshivenda, Sepedi, Sesotho, Setswana, Xitsonga, isiNdebele, isiXhosa, isiZulu, and siSwati. The wider Zabantu project explores different combinations of Bantu languages through monolingual, bilingual, and multilingual experiments.

Model details

PropertyThis checkpoint
Hub IDdsfsi/zabantu-xlm-roberta
Model classXLMRobertaForMaskedLM
Training objectiveMasked language modelling (MLM)
Transformer layers8
Hidden size768
Attention heads per layer6
Feed-forward intermediate size3,072
Vocabulary size250,002, including special tokens
Maximum sequence length512 tokens
TokenizerSentencePiece BPE
Model size~250M parameters
LicenceCC BY 4.0

See config.json for the architecture configuration.

Usage example(s)

from transformers import pipeline


unmasker = pipeline('fill-mask', model='dsfsi/zabantu-xlm-roberta')

sample_sentences = {
    'zulu': "Le ndoda ithi izo____ ukudla.",  # Masked word for Zulu
    'tshivenda': "Mufana uyo____ vhukuma.",  # Masked word for Tshivenda
    'sepedi': "Mosadi o ____ pheka.",  # Masked word for Sepedi
    'tswana': "Monna o ____ tsamaya.",  # Masked word for Tswana
    'tsonga': "N'wana wa xisati u ____ ku tsaka."  # Masked word for Tsonga
}


for language, sentence in sample_sentences.items():
    masked_sentence = sentence.replace('____', unmasker.tokenizer.mask_token)
    # Get the model predictions
    results = unmasker(masked_sentence)
    print(f"Original sentence ({language}): {sentence}")
    print(f"Top prediction for the masked token: {results[0]['sequence']}\n")

Model Variants

  • Zabantu-VEN: A monolingual language model trained on 73k raw sentences in Tshivenda
  • Zabantu-NSO: A monolingual language model trained on 179k raw sentences in Sepedi
  • Zabantu-NSO+VEN: A bilingual language model trained on 179k raw sentences in Sepedi and 73k sentences in Tshivenda
  • Zabantu-SOT+VEN: A multilingual language model trained on 479k raw sentences from Sesotho, Sepedi, Setswana, and Tshivenda
  • Zabantu-BANTU: A multilingual language model trained on 1.4M raw sentences from 9 South African Bantu languages

Intended Use

Like any Masked Language Model (MLM), Zabantu models can be adapted to a variety of semantic tasks such as:

  • Text Classification/Categorization: Assigning categories or labels to a whole document, or sections of a document, based on its content.
  • Sentiment Analysis: Determining the sentiment of a text, such as whether the opinion is positive, negative, or neutral.
  • Named Entity Recognition (NER): Identifying and classifying key information (entities) in text into predefined categories such as the names of people, organizations, locations, expressions of times, quantities, monetary values, percentages, etc.
  • Part-of-Speech Tagging (POS): Assigning word types to each word (like noun, verb, adjective, etc.), based on both its definition and its context.
  • Semantic Text Similarity: Measuring how similar two pieces of texts are, which is useful in various applications such as information retrieval, document clustering, and duplicate detection.
  • etc.

Performance and Limitations

  • Performance: The Zabantu models demonstrate promising performance on various NLP tasks, including news topic classification with competitive results compared to similar pre-trained cross-lingual models such as AfriBERTa and AfroXLMR.

Monolingual test F1 scores on News Topic Classification

Weighted F1 [%]Afriberta-largeAfroxlmrzabantu-nsovenzabantu-sotvenzabantu-bantu
nso71.471.674.36970.6
ven74.374.1777675.6

Few-shot(50 shots) test F1 scores on News Topic Classification

Weighted F1 [%]AfribertaAfroxlmrzabantu-nsovenzabantu-sotvenzabantu-bantu
ven6062666955
  • Limitations:

    • Although efforts have been made to include a wide range of South African languages, the model's coverage may still be limited for certain dialects. We note that the training set was largely dominated by Setwana and IsiXhosa.

    • We also acknowledge the potential to further improve the model by training it on more data, including additional domains and topics.

    • As with any language model, the generated output should be carefully reviewed and post-processed to ensure accuracy and cultural sensitivity.

Training Data

The models have been trained on a large corpus of text data collected from various sources, including SADiLaR, Leipnets, Flores, CC-100, Opus and various South African government websites. The training data covers a wide range of topics and domains, notably religion, politics, academics and health (mostly Covid-19).

Citation

If you use Zabantu in research, please cite:

@mastersthesis{nemakhavhani2023tshivenda,
  author = {Nemakhavhani, Ndamulelo},
  title  = {Exploring cross-lingual learning techniques for advancing Tshivenda NLP coverage},
  school = {University of Pretoria},
  type   = {Mini-dissertation, MIT (Big Data Science)},
  year   = {2023},
  note   = {Supervised by Vukosi Marivate and Jocelyn Mazarura},
  url    = {https://repository.up.ac.za/handle/2263/98198}
}

Background

Zabantu was developed in Ndamulelo Nemakhavhani's 2023 mini-dissertation at the University of Pretoria, supervised by Prof. Vukosi Marivate and Dr Jocelyn Mazarura.

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
XLMRobertaForMaskedLM
Ревизия весов
96bebdb

0 моделей