/ Модель

Характеристики

Контекст
512 токенов
Параметры
162 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
21 авг 2026

urdu-bert-64k

Заполнение пропусковТекст → текст3 профессии

Базовая BERT-модель, обученная на урду для предсказания замаскированных токенов, извлечения контекстных представлений и дообучения под задачи NLP.

59скачиваний за 30 дней0лайковвеса обновлены24 авг 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

Urdu BERT (64k vocab) — базовая модель BERT-base, разработанная Farah Adeeba и обученная с нуля на корпусе текстов на урду. Она предназначена для предсказания замаскированных токенов, извлечения контекстных представлений и дообучения для задач обработки урду. Модель содержит 162,4 млн параметров, 12 слоёв, скрытый размер 768 и словарь WordPiece на 64 000 токенов; максимальная длина последовательности — 512 токенов. Предобучение проводилось 20 эпох только с целью masked language modeling.

В карточке сообщается, что модель превзошла multilingual BERT на проверках NER и анализа тональности, однако подробные результаты обещаны отдельно. Это базовая модель без дообучения под прикладные задачи; pooler не обучался, поэтому pooler_output нельзя надёжно использовать без дополнительного дообучения. Лицензия — Apache-2.0.

Сценарии применения

  • предсказание пропущенного слова в тексте на урду
  • извлечение контекстных представлений слов и предложений на урду
  • дообучение для распознавания именованных сущностей на урду
  • дообучение для анализа тональности текстов на урду
  • создание специализированных классификаторов для текстов на урду

Ограничения

Модель не дообучена для прикладных задач, а слой pooler не обучался, поэтому pooler_output не следует использовать без дообучения. Заявленные результаты на NER и анализе тональности не сопровождаются подробными данными в карточке.

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

Urdu BERT (64k vocab)

A BERT-base model pretrained from scratch on Urdu text, with a custom 64,000-token WordPiece vocabulary. Trained for 20 epochs using the masked language modeling (MLM) objective.

Model Details

  • Architecture: BERT-base (12 layers, 768 hidden size, 12 attention heads, 3,072 intermediate size, max position embeddings 512, type vocab size 2)
  • Vocabulary size: 64,000 (custom Urdu WordPiece tokenizer, trained from scratch with the HuggingFace BertWordPieceTokenizer, max sequence length 512)
  • Pretraining objective: Masked Language Modeling (MLM) only, masking probability 0.15 — no next-sentence prediction (NSP)
  • Training epochs: 20
  • Language: Urdu (ur)

Training hyperparameters: per-device batch size 24, gradient accumulation steps 16 (effective batch size 384), learning rate 1e-4, weight decay 0.01, warmup steps 10,000, FP16 precision, seed 42. Trained with the HuggingFace Trainer API on a single NVIDIA H100 GPU for approximately 3–4 days.

UrduBERT was validated on two downstream tasks (Named Entity Recognition and Sentiment Analysis), outperforming multilingual BERT (mBERT) on both — detailed results will be released with the accompanying repository.

Intended Uses & Limitations

This is a base pretrained model — it has not been fine-tuned on any downstream task (e.g. classification, NER, question answering). It is intended to be used as a starting point for fine-tuning on Urdu NLP tasks, or for masked-token prediction / contextual embedding extraction as-is.

If you load this model with AutoModel (rather than AutoModelForMaskedLM), you'll see a warning that pooler.dense.weight / pooler.dense.bias are newly initialized. This is expected: the pooler layer was never trained (MLM pretraining does not train it), so it holds random weights until fine-tuned on a downstream task. Do not rely on pooler_output without fine-tuning first — use last_hidden_state instead for embeddings.

How to Use

from transformers import AutoTokenizer, AutoModelForMaskedLM, pipeline

model_id = "farahadeeba/urdu-bert-64k"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForMaskedLM.from_pretrained(model_id)

fill_mask = pipeline("fill-mask", model=model, tokenizer=tokenizer)
results = fill_mask("میں [MASK] کھیل رہا ہوں")

for r in results:
    print(f"{r['token_str']:15s}  score={r['score']:.4f}")

Training Data

The pretraining corpus was compiled from multiple Urdu text sources:

  • OSCAR 2019 — the Urdu portion of the OSCAR (Open Super-large Crawled ALMAnaCH coRpus) corpus, filtered from Common Crawl.
  • GitHub repositories — publicly available Urdu text datasets.
  • Kaggle datasets — publicly available Urdu text datasets.

Sentence-level deduplication was applied across the combined corpus, yielding a final corpus of approximately 5.8 GB of Urdu text. The corpus was split into 5 training files and 1 validation file of approximately 1.16 GB each (~5:1 train/validation ratio).

Citation

This model was developed as part of the following paper :

Farah Adeeba and Miriam Butt. Contextual Embedding Evidence for Main–Light Verb Distinctions in Urdu.

@unpublished{adeeba_butt_urdu_light_verbs,
  title     = {Contextual Embedding Evidence for Main{\textendash}Light Verb Distinctions in Urdu},
  author    = {Adeeba, Farah and Butt, Miriam},
  year      = {2026}
}

License

Apache 2.0

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
7855456

0 моделей