/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
14 июн 2023

bert-base-japanese_mecab-unigram

Заполнение пропусковТекст → текст3 профессии

Японская модель BERT-base для предсказания пропущенных токенов и восстановления фрагментов текста.

272скачиваний за 30 дней0лайковвеса обновлены6 мар 2025

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

Японская BERT-base модель от hitachi-nlp для предсказания пропущенных токенов в тексте. Она использует архитектуру BERT с головой BertForMaskedLM, содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. В комплекте предусмотрена токенизация MeCab с Unigram; для её загрузки требуется отдельно получить файл словаря из репозитория разработчика.

Модель обучалась на данных Wikipedia и CC-100 и рассчитана на японский язык. Её можно использовать для восстановления замаскированных фрагментов текста и как основу для задач анализа японского текста. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование.

Сценарии применения

  • восстановление пропущенных слов в японском тексте
  • подстановка вероятных токенов в замаскированные фрагменты
  • оценка контекста японских предложений через предсказание токенов

Ограничения

Для токенизатора требуется отдельно загрузить словарь MeCab + Unigram из репозитория разработчика. Лицензия CC BY-NC-SA 4.0 не допускает коммерческое использование.

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

Japanese BERT-base (MeCab + Unigram)

How to load the tokenizer

Please download the dictionary file for MeCab + Unigram from our GitHub repository. Then you can load the tokenizer by specifying the path of the dictionary file to dict_path.

from typing import Optional

from tokenizers import Tokenizer, NormalizedString, PreTokenizedString
from tokenizers.processors import BertProcessing
from tokenizers.pre_tokenizers import PreTokenizer
from transformers import PreTrainedTokenizerFast

from MeCab import Tagger
import textspan

class MecabPreTokenizer:
    def __init__(self, mecab_dict_path: Optional[str] = None):
        mecab_option = (f"-Owakati -d {mecab_dict_path}" if mecab_dict_path is not None else "-Owakati")
        self.mecab = Tagger(mecab_option)
    
    def tokenize(self, sequence: str) -> list[str]:
        return self.mecab.parse(sequence).strip().split(" ")
    
    def custom_split(self, i: int, normalized_string: NormalizedString) -> list[NormalizedString]:
        text = str(normalized_string)
        tokens = self.tokenize(text)
        tokens_spans = textspan.get_original_spans(tokens, text)
        return [normalized_string[st:ed] for cahr_spans in tokens_spans for st,ed in cahr_spans]
    
    def pre_tokenize(self, pretok: PreTokenizedString):
        pretok.split(self.custom_split)

# load a tokenizer
dict_path = /path/to/mecab_unigram.json
tokenizer = Tokenizer.from_file(dict_path)
# load a pre-tokenizer
pre_tokenizer = MecabPreTokenizer()
tokenizer.post_processor = BertProcessing(
    cls=("[CLS]", tokenizer.token_to_id('[CLS]')),
    sep=("[SEP]", tokenizer.token_to_id('[SEP]'))
)
# convert to PreTrainedTokenizerFast
tokenizer = PreTrainedTokenizerFast(
    tokenizer_object=tokenizer,
    unk_token='[UNK]',
    cls_token='[CLS]',
    sep_token='[SEP]',
    pad_token='[PAD]',
    mask_token='[MASK]'
)
# set a pre-tokenizer
tokenizer._tokenizer.pre_tokenizer = PreTokenizer.custom(pre_tokenizer)
# Test
test_str = "こんにちは。私は形態素解析器について研究をしています。"
tokenizer.convert_ids_to_tokens(tokenizer(test_str).input_ids)
# -> ['[CLS]','こ','んにち','は','。','私','は','形','態','素','解','析','器','について','研究','を','し','て','い','ま','す','。','[SEP]']

How to load the model

from transformers import AutoModelForMaskedLM
model = AutoModelForMaskedLM.from_pretrained("hitachi-nlp/bert-base_mecab-unigram")

See our repository for more details!

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
3242180

0 моделей