/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
CC BY 4.0
Архитектура
roberta · dense
Опубликована
3 фев 2024

RoBERTaCrawlPT-base

Заполнение пропусковТекст → текст3 профессии

Базовая RoBERTa-модель, обученная на португальских текстах для предсказания замаскированных слов и адаптации к языковым задачам.

144скачиваний за 30 дней3лайкавеса обновлены14 мар 2024

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

RoBERTaCrawlPT-base — базовая языковая модель RoBERTa, разработанная в рамках работы RoBERTaLexPT и обученная с нуля на корпусах CrawlPT. Это masked language model с архитектурой RoBERTa-base и примерно 151,8 млн параметров; модель предсказывает замаскированные фрагменты текста и подходит для адаптации к задачам португалоязычной обработки текста. Контекст составляет 514 токенов, веса опубликованы в формате safetensors.

Модель ориентирована на португальский язык, преимущественно вариант pt-BR. Её оценивали на юридическом бенчмарке PortuLex, однако карточка не содержит результатов общей оценки и прямо помечает этот раздел как незавершённый. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Сценарии применения

  • восстановление замаскированных слов в португальском тексте
  • адаптация к задачам обработки португальского языка
  • создание специализированной модели для португальских текстов
  • эксперименты с языковыми моделями португальского языка

Ограничения

Общая оценка модели в карточке не завершена; приведена только оценка на юридическом бенчмарке PortuLex. Контекст ограничен 514 токенами.

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

RoBERTaCrawlPT-base

RoBERTaCrawlPT-base is a generic Portuguese Masked Language Model pretrained from scratch from the CrawlPT corpora, using the same architecture as RoBERTa-base. This model is part of the RoBERTaLexPT work.

Generic Evaluation

TO-DO...

Legal Evaluation

The model was evaluated on "PortuLex" benchmark, a four-task benchmark designed to evaluate the quality and performance of language models in the Portuguese legal domain.

Macro F1-Score (%) for multiple models evaluated on PortuLex benchmark test splits:

ModelLeNERUlyNER-PLFGV-STFRRIPAverage (%)
Coarse/FineCoarse
BERTimbau-base88.3486.39/83.8379.3482.3483.78
BERTimbau-large88.6487.77/84.7479.7183.7984.60
Albertina-PT-BR-base89.2686.35/84.6379.3081.1683.80
Albertina-PT-BR-xlarge90.0988.36/86.6279.9482.7985.08
BERTikal-base83.6879.21/75.7077.7381.1179.99
JurisBERT-base81.7481.67/77.9776.0480.8579.61
BERTimbauLAW-base84.9087.11/84.4279.7882.3583.20
Legal-XLM-R-base87.4883.49/83.1679.7982.3583.24
Legal-XLM-R-large88.3984.65/84.5579.3681.6683.50
Legal-RoBERTa-PT-large87.9688.32/84.8379.5781.9884.02
Ours
RoBERTaTimbau-base (Reproduction of BERTimbau)89.6887.53/85.7478.8282.0384.29
RoBERTaLegalPT-base (Trained on LegalPT)90.5985.45/84.4079.9282.8484.57
RoBERTaCrawlPT-base (this) (Trained on CrawlPT)89.2488.22/86.5879.8882.8084.83
RoBERTaLexPT-base (Trained on CrawlPT + LegalPT)90.7388.56/86.0380.4083.2285.41

Training Details

RoBERTaCrawlPT is pretrained on:

Training Procedure

Our pretraining process was executed using the Fairseq library v0.10.2 on a DGX-A100 cluster, utilizing a total of 2 Nvidia A100 80 GB GPUs. The complete training of a single configuration takes approximately three days.

This computational cost is similar to the work of BERTimbau-base, exposing the model to approximately 65 billion tokens during training.

Preprocessing

We deduplicated all subsets of the CrawlPT Corpus using the a MinHash algorithm and Locality Sensitive Hashing implementation from the libary text-dedup to find clusters of duplicate documents.

To ensure that domain models are not constrained by a generic vocabulary, we utilized the HuggingFace Tokenizers -- BPE algorithm to train a vocabulary for each pre-training corpus used.

Training Hyperparameters

The pretraining process involved training the model for 62,500 steps, with a batch size of 2048 and a learning rate of 4e-4, each sequence containing a maximum of 512 tokens.
The weight initialization is random.
We employed the masked language modeling objective, where 15% of the input tokens were randomly masked.
The optimization was performed using the AdamW optimizer with a linear warmup and a linear decay learning rate schedule.

For other parameters we adopted the standard RoBERTa-base hyperparameters:

HyperparameterRoBERTa-base
Number of layers12
Hidden size768
FFN inner hidden size3072
Attention heads12
Attention head size64
Dropout0.1
Attention dropout0.1
Warmup steps6k
Peak learning rate4e-4
Batch size2048
Weight decay0.01
Maximum training steps62.5k
Learning rate decayLinear
AdamW $$\epsilon$$1e-6
AdamW $$\beta_1$$0.9
AdamW $$\beta_2$$0.98
Gradient clipping0.0

Citation

@inproceedings{garcia-etal-2024-robertalexpt,
    title = "{R}o{BERT}a{L}ex{PT}: A Legal {R}o{BERT}a Model pretrained with deduplication for {P}ortuguese",
    author = "Garcia, Eduardo A. S.  and
      Silva, Nadia F. F.  and
      Siqueira, Felipe  and
      Albuquerque, Hidelberg O.  and
      Gomes, Juliana R. S.  and
      Souza, Ellen  and
      Lima, Eliomar A.",
    editor = "Gamallo, Pablo  and
      Claro, Daniela  and
      Teixeira, Ant{\'o}nio  and
      Real, Livy  and
      Garcia, Marcos  and
      Oliveira, Hugo Gon{\c{c}}alo  and
      Amaro, Raquel",
    booktitle = "Proceedings of the 16th International Conference on Computational Processing of Portuguese",
    month = mar,
    year = "2024",
    address = "Santiago de Compostela, Galicia/Spain",
    publisher = "Association for Computational Lingustics",
    url = "https://aclanthology.org/2024.propor-1.38",
    pages = "374--383",
}

Acknowledgment

This work has been supported by the AI Center of Excellence (Centro de Excelência em Inteligência Artificial – CEIA) of the Institute of Informatics at the Federal University of Goiás (INF-UFG).

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
RobertaForMaskedLM
Ревизия весов
e15643e

0 моделей