Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Лицензия: MIT
Архитектура: xlm-roberta · dense
Базовая модель: xlm-roberta-base
Опубликована: 24 мар 2024

Ссылки

Hugging Face arXiv 2406.16678

xlmr-multilingual-sentence-segmentation

igorsterner

Разметка токеновТекст → label8 профессий

Многоязычная модель на базе XLM-RoBERTa для автоматического определения границ предложений в тексте.

38скачиваний за 30 дней5лайковвеса обновлены5 окт 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

xlmr-multilingual-sentence-segmentation — модель Igor Sterner для автоматического разделения текста на предложения. Это дообученная XLM-RoBERTa-base с классификационной головой для разметки токенов; она обучалась на искажённой версии датасетов Universal Dependencies. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется под лицензией MIT.

Модель предназначена для определения границ предложений во многих языках, в том числе при сегментации текстов и машинных переводов. В README приведены результаты на Opus100 и Universal Dependencies; для первой оценки указаны precision 0,9664, recall 0,9677 и F1 0,9670 на также искажённом наборе. Автор предупреждает, что модель больше не поддерживается и рекомендует обновлённую версию. Результаты на искажённых данных следует интерпретировать с осторожностью.

Сценарии применения

разделение сплошного текста на предложения
сегментация многоязычных текстов
разбиение машинных переводов на предложения
подготовка предложений для последующей обработки NLP

Ограничения

Модель больше не поддерживается; автор рекомендует использовать обновлённую версию. Обучающие и оценочные данные описаны как искажённые, поэтому опубликованные результаты могут не отражать качество на обычных данных.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.6Универсальные способностиПеревод и языковая адаптацияAI помогает переносить смысл между языками, форматами и культурными контекстами.16 задач16 710моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.14Универсальные способностиАвтоматизация процессов и AI-агентыAI помогает выполнять многошаговые цифровые процессы и координировать действия между системами.20 задач26 022модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⚠️ Warning: An updated version of this model is available here This model is no longer maintained.

Please refer to our Segment any Text paper for more details: https://arxiv.org/abs/2406.16678

xlmr-multilingual-sentence-segmentation

This model is a fine-tuned version of xlm-roberta-base on a corrupted version of the universal dependency datasets. It achieves the following results on the (also corrupted) evaluation set:

Loss: 0.0074
Precision: 0.9664
Recall: 0.9677
F1: 0.9670

Test set performance

Results

All results here are percentage F1:

Opus100 [2]

Who wins most? XLM-RoBERTa: 56, WtPSplit: 12, Spacy (multilingual): 8

	af	am	ar	az	be	bg	bn	ca	cs	cy	da	de	el	en	eo	es	et	eu	fa	fi	fr	fy	ga	gd	gl	gu	ha	he	hi	hu	hy	id	is	it	ja	ka	kk	km	kn	ko	ku	ky	lt	lv	mg	mk	ml	mn	mr	ms	my	ne	nl	pa	pl	ps	pt	ro	ru	si	sk	sl	sq	sr	sv	ta	te	th	tr	uk	ur	uz	vi	xh	yi	zh
Spacy (multilingual)	42.61	6.69	58.52	73.59	34.78	93.74	38.04	88.76	87.70	26.30	90.52	74.15	89.75	89.25	88.77	90.95	87.26	81.20	55.40	93.28	85.77	21.49	60.61	36.83	88.77	5.59	89.39	92.21	53.33	93.26	24.14	90.13	95.38	86.32	0.20	38.24	42.39	0.10	9.66	51.79	27.64	21.77	76.91	77.02	83.60	93.74	39.09	33.23	86.56	87.39	0.10	6.59	93.65	5.26	92.42	2.41	92.07	91.63	75.95	75.91	92.13	93.00	92.96	95.01	93.52	36.97	64.59	21.64	94.05	89.68	29.17	64.99	90.59	64.89	4.14	0.09
WtPSplit	76.90	59.08	68.08	76.42	71.29	93.97	79.76	89.79	89.36	73.21	90.02	80.74	92.80	91.91	92.24	92.11	84.47	87.24	59.97	91.96	88.53	65.84	79.49	83.33	90.31	70.51	82.43	90.58	66.70	93.00	87.14	89.80	94.77	87.43	41.79	91.26	73.25	69.54	68.98	56.21	79.12	83.94	81.33	82.70	89.33	92.87	80.81	73.26	89.20	88.51	65.54	71.33	92.63	64.11	92.72	62.84	91.05	90.91	84.23	80.32	92.30	92.19	90.32	94.76	92.08	63.48	76.49	68.88	93.30	89.60	52.59	77.79	91.29	80.28	75.70	71.64
XLM-RoBERTa (ours)	83.97	41.59	81.56	81.30	85.68	94.34	84.10	91.80	91.23	78.72	92.64	86.73	93.87	94.50	94.57	93.18	90.19	90.28	74.79	94.06	90.46	81.76	84.33	85.62	92.55	67.26	86.61	91.22	72.69	94.53	89.83	92.24	93.78	89.27	41.43	78.39	89.15	36.60	70.51	82.77	58.14	89.41	89.99	88.25	86.82	92.81	86.14	94.73	93.25	92.44	49.39	66.02	93.60	69.22	93.51	61.86	92.84	93.19	89.47	86.24	92.95	93.46	91.79	94.16	93.93	72.74	81.77	74.49	93.17	92.15	62.92	75.65	93.41	84.89	56.85	77.07

Universal Dependencies [3]

Who wins most? XLM-RoBERTa: 24, WtPSplit: 17 Spacy (multilingual): 13

	af	ar	be	bg	bn	ca	cs	cy	da	de	el	en	es	et	eu	fa	fi	fr	ga	gd	gl	he	hi	hu	hy	id	is	it	ja	jv	kk	ko	la	lt	lv	mr	nl	pl	pt	ro	ru	sk	sl	sq	sr	sv	ta	th	tr	uk	ur	vi	zh
Spacy (multilingual)	98.47	80.38	80.27	93.62	51.85	98.95	89.68	98.89	94.96	88.02	94.16	92.20	98.70	93.77	95.79	99.83	92.88	96.33	96.67	63.04	92.37	94.37	0.32	98.45	11.39	98.01	95.41	92.49	0.37	98.03	96.21	99.80	0.09	93.86	98.52	92.13	92.86	97.02	94.91	98.05	84.31	90.26	98.23	100.00	97.84	94.91	66.67	1.95	97.63	94.16	0.37	96.40	0.40
WtPSplit	98.27	83.00	89.28	98.16	99.12	98.52	92.98	99.26	94.56	96.13	96.94	94.73	97.60	94.09	97.24	97.29	94.69	96.71	86.60	72.17	98.87	95.79	96.78	96.08	96.80	98.41	86.39	95.45	95.84	98.18	96.28	99.11	91.43	97.67	96.42	91.84	93.61	95.92	96.13	81.50	86.28	95.57	96.85	99.17	98.45	95.86	97.54	70.26	96.00	92.08	93.79	92.97	97.25
XLM-RoBERTa (ours)	96.81	78.99	91.60	97.89	99.12	95.99	96.05	97.17	96.62	96.29	94.33	94.76	95.73	96.20	97.37	97.49	96.34	95.70	89.78	84.20	95.72	95.95	97.51	96.24	95.62	97.22	92.93	96.88	94.23	96.29	98.40	97.46	96.35	95.82	96.91	95.92	96.27	97.24	95.83	94.63	91.59	95.88	96.43	98.36	96.83	94.95	95.93	89.26	96.52	94.59	96.20	97.31	95.12

Ersatz [4]

Who wins most? XLM-RoBERTa: 10, WtPSplit: 8, Spacy (multilingual): 4

	ar	cs	de	en	es	et	fi	fr	gu	hi	ja	kk	km	lt	lv	pl	ps	ro	ru	ta	tr	zh
Spacy (multilingual)	91.26	96.46	93.89	94.40	97.31	97.15	94.99	96.43	4.44	18.41	0.18	97.11	0.08	93.53	98.73	93.69	94.44	94.87	93.45	68.65	95.39	0.10
WtPSplit	89.45	93.41	95.93	97.16	98.74	95.84	97.10	97.61	90.62	94.87	82.14	95.94	82.89	96.74	97.22	95.16	86.99	97.55	97.82	94.76	93.53	89.02
XLM-RoBERTa (ours)	79.78	96.94	97.02	96.10	97.06	96.80	97.67	96.33	93.73	95.34	77.54	97.28	78.94	96.13	96.45	96.71	92.33	96.24	97.15	95.94	95.76	90.11

German--English code-switching [5]

	de
Spacy (multilingual)	79.55
WtPSplit	77.41
XLM-RoBERTa (ours)	85.78

[1] Where’s the Point? Self-Supervised Multilingual Punctuation-Agnostic Sentence Segmentation (Minixhofer et al., ACL 2023)

[2] Improving Massively Multilingual Neural Machine Translation and Zero-Shot Translation (Zhang et al., ACL 2020)

[3] Universal Dependencies (de Marneffe et al., CL 2021)

[4] A unified approach to sentence segmentation of punctuated text in many languages (Wicks & Post, ACL-IJCNLP 2021)

[5] The Denglisch Corpus of German-English Code-Switching (Osmelak & Wintner, SIGTYP 2023)

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Precision	Recall	F1
No log	0.2	100	0.0125	0.9320	0.9487	0.9403
No log	0.4	200	0.0099	0.9547	0.9513	0.9530
No log	0.6	300	0.0092	0.9616	0.9506	0.9561
No log	0.81	400	0.0083	0.9584	0.9618	0.9601
0.0212	1.01	500	0.0082	0.9551	0.9642	0.9596
0.0212	1.21	600	0.0084	0.9630	0.9614	0.9622
0.0212	1.41	700	0.0079	0.9606	0.9648	0.9627
0.0212	1.61	800	0.0077	0.9609	0.9661	0.9635
0.0212	1.81	900	0.0076	0.9623	0.9649	0.9636
0.0067	2.02	1000	0.0077	0.9598	0.9689	0.9643
0.0067	2.22	1100	0.0075	0.9614	0.9680	0.9647
0.0067	2.42	1200	0.0073	0.9626	0.9682	0.9654
0.0067	2.62	1300	0.0075	0.9617	0.9692	0.9654
0.0067	2.82	1400	0.0073	0.9658	0.9648	0.9653
0.0054	3.02	1500	0.0076	0.9656	0.9663	0.9660
0.0054	3.23	1600	0.0073	0.9625	0.9703	0.9664
0.0054	3.43	1700	0.0073	0.9658	0.9659	0.9658
0.0054	3.63	1800	0.0073	0.9626	0.9707	0.9666
0.0054	3.83	1900	0.0073	0.9659	0.9677	0.9668
0.0046	4.03	2000	0.0075	0.9671	0.9659	0.9665
0.0046	4.23	2100	0.0075	0.9654	0.9687	0.9671
0.0046	4.44	2200	0.0075	0.9662	0.9676	0.9669
0.0046	4.64	2300	0.0074	0.9657	0.9684	0.9670
0.0046	4.84	2400	0.0074	0.9664	0.9678	0.9671

Framework versions

Transformers 4.39.1
Pytorch 2.2.1+cu121
Datasets 2.18.0
Tokenizers 0.15.2

Citation

Please consider citing our paper if this model has helped you:

@inproceedings{frohman-etal-2024-segment,
    title = "Segment Any Text: A Universal Approach for Robust, Efficient and Adaptable Sentence Segmentation",
    author={Markus Frohmann and Igor Sterner and Ivan Vulić and Benjamin Minixhofer and Markus Schedl},
    month = nov,
    year = "2024",
    publisher = "Association for Computational Linguistics",
}

Как запустить

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

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: XLMRobertaForTokenClassification
Ревизия весов: 0baa6cf