Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 30 мая 2022

Ссылки

Hugging Face

GWW

dunlp

Заполнение пропусковТекст → текст3 профессии

Дообученная нидерландская BERT-модель для предсказания замаскированных слов в текстах о гражданском строительстве.

59скачиваний за 30 дней0лайковвеса обновлены29 июн 2022

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

GWW — модель на базе BERT, дообученная GroNLP на корпусе нидерландских гражданских строительных работ. Она предназначена для заполнения пропусков в тексте: принимает текст с замаскированным токеном и предсказывает подходящий вариант. Модель содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и опубликована в формате PyTorch.

В карточке приведён результат на оценочной выборке: loss 2,7097. Модель ориентирована на нидерландский язык и предметную лексику гражданского строительства. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

подстановка пропущенных слов в нидерландских строительных текстах
подбор терминов гражданского строительства по контексту
анализ нидерландских документов с замаскированными токенами

Ограничения

Карточка не описывает подробные ограничения и приводит только значение loss 2,7097 на оценочной выборке. Модель дообучена на предметном корпусе гражданского строительства, поэтому её пригодность для других областей не подтверждена.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GWW

This model is a fine-tuned version of GroNLP/bert-base-dutch-cased on Dutch civiel works dataset. It achieves the following results on the evaluation set:

Loss: 2.7097

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5.0
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss
3.7179	1.0	78	3.1185
3.1134	2.0	156	2.8528
2.9327	3.0	234	2.7249
2.8377	4.0	312	2.7255
2.7888	5.0	390	2.6737

Framework versions

Transformers 4.19.4
Pytorch 1.11.0+cu113
Datasets 2.2.2
Tokenizers 0.12.1

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: 37b2823