/ Модель

Характеристики

Параметры
365 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Опубликована
2 мар 2022

byt5-small

Языковая модель11 профессий

Предобученная байтовая модель Google на базе T5 для дообучения на задачах преобразования текста, в том числе на шумных многоязычных данных.

380 тыс.скачиваний за 30 дней107лайковвеса обновлены24 янв 2023

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

ByT5-small — небольшая предобученная модель Google на архитектуре T5, работающая напрямую с последовательностями байтов UTF-8 и не требующая токенизатора. Она содержит около 364,6 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для практического решения конкретных задач её необходимо дообучить.

Модель предназначена для последующего дообучения на задачах преобразования текста: например, для работы с шумными или ошибочными текстами, где важны написание и произношение. Предобучение охватывает многоязычный текст, а обработка байтов позволяет принимать текст на разных языках без отдельного словаря токенов. По данным README, ByT5-small превосходила mT5-small на TweetQA.

Это модель кодировщик-декодер для генерации текста по текстовому входу. Последовательности байтов обычно длиннее токенизированных последовательностей, что может снижать скорость обработки. Лицензия — Apache-2.0.

Сценарии применения

  • дообучение для ответов на вопросы по тексту
  • обработка шумных и ошибочных текстов
  • восстановление текста с опечатками
  • нормализация пользовательских сообщений
  • дообучение для задач преобразования текста

Ограничения

Это базовая предобученная модель, и без дообучения на целевой задаче она не готова к прикладному использованию. Байтовые последовательности длиннее последовательностей токенов, поэтому обработка может быть медленнее.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ByT5 - Small

ByT5 is a tokenizer-free version of Google's T5 and generally follows the architecture of MT5.

ByT5 was only pre-trained on mC4 excluding any supervised training with an average span-mask of 20 UTF-8 characters. Therefore, this model has to be fine-tuned before it is useable on a downstream task.

ByT5 works especially well on noisy text data,e.g., google/byt5-small significantly outperforms mt5-small on TweetQA.

Paper: ByT5: Towards a token-free future with pre-trained byte-to-byte models

Authors: Linting Xue, Aditya Barua, Noah Constant, Rami Al-Rfou, Sharan Narang, Mihir Kale, Adam Roberts, Colin Raffel

Example Inference

ByT5 works on raw UTF-8 bytes and can be used without a tokenizer:

from transformers import T5ForConditionalGeneration
import torch

model = T5ForConditionalGeneration.from_pretrained('google/byt5-small')

input_ids = torch.tensor([list("Life is like a box of chocolates.".encode("utf-8"))]) + 3  # add 3 for special tokens
labels = torch.tensor([list("La vie est comme une boîte de chocolat.".encode("utf-8"))]) + 3  # add 3 for special tokens

loss = model(input_ids, labels=labels).loss # forward pass

For batched inference & training it is however recommended using a tokenizer class for padding:

from transformers import T5ForConditionalGeneration, AutoTokenizer

model = T5ForConditionalGeneration.from_pretrained('google/byt5-small')
tokenizer = AutoTokenizer.from_pretrained('google/byt5-small')

model_inputs = tokenizer(["Life is like a box of chocolates.", "Today is Monday."], padding="longest", return_tensors="pt")
labels = tokenizer(["La vie est comme une boîte de chocolat.", "Aujourd'hui c'est lundi."], padding="longest", return_tensors="pt").input_ids

loss = model(**model_inputs, labels=labels).loss # forward pass

Abstract

Most widely-used pre-trained language models operate on sequences of tokens corresponding to word or subword units. Encoding text as a sequence of tokens requires a tokenizer, which is typically created as an independent artifact from the model. Token-free models that instead operate directly on raw text (bytes or characters) have many benefits: they can process text in any language out of the box, they are more robust to noise, and they minimize technical debt by removing complex and error-prone text preprocessing pipelines. Since byte or character sequences are longer than token sequences, past work on token-free models has often introduced new model architectures designed to amortize the cost of operating directly on raw text. In this paper, we show that a standard Transformer architecture can be used with minimal modifications to process byte sequences. We carefully characterize the trade-offs in terms of parameter count, training FLOPs, and inference speed, and show that byte-level models are competitive with their token-level counterparts. We also demonstrate that byte-level models are significantly more robust to noise and perform better on tasks that are sensitive to spelling and pronunciation. As part of our contribution, we release a new set of pre-trained byte-level Transformer models based on the T5 architecture, as well as all code and data used in our experiments.

model image

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
68377bd

0 моделей