/ Модель

Характеристики

Контекст
512 токенов
Параметры
605 млн
Архитектура
bert · dense

muril-large-cased

ЭмбеддингиТекст → embedding4 профессии

Крупная модель Google на базе BERT для извлечения представлений и настройки под NLP-задачи на 17 индийских языках и их транслитерированных вариантах.

22 007скачиваний за 30 дней22лайкавеса обновлены16 окт 2021

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

MuRIL Large — мультиязычная модель Google на архитектуре BERT Large с 24 слоями и примерно 604,7 млн параметров. Она предварительно обучена на корпусах Википедии, Common Crawl, PMINDIA и Dakshina для 17 индийских языков и их транслитерированных вариантов. При обучении использовались маскирование целых слов, а также пары переводов и транслитераций; максимальная длина последовательности составляет 512 токенов.

Модель предназначена для извлечения контекстных представлений и последующей настройки под задачи NLP для индийских языков. В карточке показаны результаты настройки для распознавания именованных сущностей, разметки частей речи, определения межъязыкового следования и ответов на вопросы. Она поддерживает работу с транслитерированным текстом, но не рассчитана на языки за пределами обучающего набора. Указанная в репозитории лицензия не приводится в предоставленных данных.

Сценарии применения

  • получение контекстных векторных представлений индийских текстов
  • настройка распознавания именованных сущностей на индийских языках
  • разметка частей речи в индийском тексте
  • классификация межъязыкового следования для индийских языков
  • настройка ответов на вопросы по текстам на хинди и других индийских языках

Ограничения

Модель не рассчитана на языки, которые не входили в её предобучение. Для прикладных задач рекомендуется дообучать все параметры.

Для каких профессий подходит4

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

MuRIL Large

Multilingual Representations for Indian Languages : A BERT Large (24L) model pre-trained on 17 Indian languages, and their transliterated counterparts.

Overview

This model uses a BERT large architecture [1] pretrained from scratch using the Wikipedia [2], Common Crawl [3], PMINDIA [4] and Dakshina [5] corpora for 17 [6] Indian languages.

We use a training paradigm similar to multilingual bert, with a few modifications as listed:

  • We include translation and transliteration segment pairs in training as well.
  • We keep an exponent value of 0.3 and not 0.7 for upsampling, shown to enhance low-resource performance. [7]

See the Training section for more details.

Training

The MuRIL model is pre-trained on monolingual segments as well as parallel segments as detailed below :

  • Monolingual Data : We make use of publicly available corpora from Wikipedia and Common Crawl for 17 Indian languages.
  • Parallel Data : We have two types of parallel data :
    • Translated Data : We obtain translations of the above monolingual corpora using the Google NMT pipeline. We feed translated segment pairs as input. We also make use of the publicly available PMINDIA corpus.
    • Transliterated Data : We obtain transliterations of Wikipedia using the IndicTrans [8] library. We feed transliterated segment pairs as input. We also make use of the publicly available Dakshina dataset.

We keep an exponent value of 0.3 to calculate duplication multiplier values for upsampling of lower resourced languages and set dupe factors accordingly. Note, we limit transliterated pairs to Wikipedia only.

The model was trained using a self-supervised masked language modeling task. We do whole word masking with a maximum of 80 predictions. The model was trained for 1500K steps, with a batch size of 8192, and a max sequence length of 512.

Trainable parameters

All parameters in the module are trainable, and fine-tuning all parameters is the recommended practice.

Uses & Limitations

This model is intended to be used for a variety of downstream NLP tasks for Indian languages. This model is trained on transliterated data as well, a phenomenon commonly observed in the Indian context. This model is not expected to perform well on languages other than the ones used in pre-training, i.e. 17 Indian languages.

Evaluation

We provide the results of fine-tuning this model on a set of downstream tasks. We choose these tasks from the XTREME benchmark, with evaluation done on Indian language test-sets. All results are computed in a zero-shot setting, with English being the high resource training set language. The results for XLM-R (Large) are taken from the XTREME paper [9].

  • Shown below are results on datasets from the XTREME benchmark (in %)

    PANX (F1)bnenhimlmrtateurAverage
    XLM-R (large)78.884.773.067.868.159.555.856.468.0
    MuRIL (large)85.885.078.375.677.371.165.683.077.7
    UDPOS (F1)enhimrtateurAverage
    XLM-R (large)96.176.480.865.286.670.379.2
    MuRIL (large)95.771.385.762.685.862.877.3
    XNLI (Accuracy)enhiurAverage
    XLM-R (large)88.775.671.778.7
    MuRIL (large)88.475.871.778.6
    XQUAD (F1/EM)enhiAverage
    XLM-R (large)86.5/75.776.7/59.781.6/67.7
    MuRIL (large)88.2/77.878.4/62.483.3/70.1
    MLQA (F1/EM)enhiAverage
    XLM-R (large)83.5/70.670.6/53.177.1/61.9
    MuRIL (large)84.4/71.772.2/54.178.3/62.9
    TyDiQA (F1/EM)enbnteAverage
    XLM-R (large)71.5/56.864.0/47.870.1/43.668.5/49.4
    MuRIL (large)75.9/66.867.1/53.171.5/49.871.5/56.6

    The fine-tuning hyperparameters are as follows:

    TaskBatch SizeLearning RateEpochsWarm-up Ratio
    PANX322e-5100.1
    UDPOS645e-6100.1
    XNLI1282e-550.1
    XQuAD323e-520.1
    MLQA323e-520.1
    TyDiQA323e-530.1

References

[1]: Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805, 2018.

[2]: Wikipedia

[3]: Common Crawl

[4]: PMINDIA

[5]: Dakshina

[6]: Assamese (as), Bengali (bn), English (en), Gujarati (gu), Hindi (hi), Kannada (kn), Kashmiri (ks), Malayalam (ml), Marathi (mr), Nepali (ne), Oriya (or), Punjabi (pa), Sanskrit (sa), Sindhi (sd), Tamil (ta), Telugu (te) and Urdu (ur).

[7]: Conneau, Alexis, et al. Unsupervised cross-lingual representation learning at scale. arXiv preprint arXiv:1911.02116 (2019).

[8]: IndicTrans

[9]: Hu, J., Ruder, S., Siddhant, A., Neubig, G., Firat, O., & Johnson, M. (2020). Xtreme: A massively multilingual multi-task benchmark for evaluating cross-lingual generalization. arXiv preprint arXiv:2003.11080.

[10]: Fang, Y., Wang, S., Gan, Z., Sun, S., & Liu, J. (2020). FILTER: An Enhanced Fusion Method for Cross-lingual Language Understanding. arXiv preprint arXiv:2009.05166.

Citation

If you find MuRIL useful in your applications, please cite the following paper:

@misc{khanuja2021muril,
      title={MuRIL: Multilingual Representations for Indian Languages},
      author={Simran Khanuja and Diksha Bansal and Sarvesh Mehtani and Savya Khosla and Atreyee Dey and Balaji Gopalan and Dilip Kumar Margam and Pooja Aggarwal and Rajiv Teja Nagipogu and Shachi Dave and Shruti Gupta and Subhash Chandra Bose Gali and Vish Subramanian and Partha Talukdar},
      year={2021},
      eprint={2103.10730},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Contact

Please mail your queries/feedback to muril-contact@google.com.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
ace319f

0 моделей