/ Модель

Характеристики

Контекст
512 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
20 июл 2023

geberta-base

Заполнение пропусковТекст → текст3 профессии

Немецкая модель DeBERTa-v2 для предсказания пропущенных токенов и адаптации к задачам понимания текста.

243скачиваний за 30 дней5лайковвеса обновлены29 янв 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

GeBERTa-base — немецкая языковая модель для заполнения пропусков в тексте, разработанная совместно Университетом Флориды, NVIDIA и IKIM. Она основана на архитектуре DeBERTa-v2 и предназначена для задач понимания немецкого текста и последующей адаптации к прикладным задачам NLP.

Модель содержит 151,9 млн параметров, использует токенизатор SentencePiece и обрабатывает последовательности длиной до 512 токенов. Её предварительно обучали на немецких текстах из разных областей, включая Википедию и новости. В исследовательском бенчмарке семейство GeBERTa оценивалось на задачах классификации, ответов на вопросы и распознавания именованных сущностей.

Для работы с моделью доступны веса PyTorch и Safetensors. Лицензия — MIT. Модель ориентирована на немецкий язык; её качество для других языков и узкоспециализированных задач не подтверждено приведёнными данными.

Сценарии применения

  • подстановка пропущенных слов в немецком тексте
  • оценка вероятных продолжений немецкой фразы
  • подготовка немецких текстовых представлений для дообучения
  • адаптация к классификации немецких текстов
  • адаптация к распознаванию именованных сущностей на немецком

Ограничения

Контекст ограничен 512 токенами. Данные карточки не подтверждают качество модели для языков помимо немецкого или для прикладных задач без дополнительной адаптации.

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

GeBERTa

GeBERTa is a set of German DeBERTa models developed in a joint effort between the University of Florida, NVIDIA, and IKIM. The models range in size from 122M to 750M parameters.

Model details

The models follow the architecture of DeBERTa-v2 and make use of sentence piece tokenizers. The base and large models use a 50k token vocabulary, while the large model uses a 128k token vocabulary. All models were trained with a batch size of 2k for a maximum of 1 million steps and have a maximum sequence length of 512 tokens.

Dataset

The pre-training dataset consists of documents from different domains:

DomainDatasetData Size#Docs#Tokens
FormalWikipedia9GB2,665,3571.9B
FormalNews28GB12,305,3266.1B
FormalGC490GB31,669,77219.4B
InformalReddit 2019-2023 (GER)5.8GB15,036,5921.3B
InformalHoliday Reviews2GB4,876,405428M
LegalOpenLegalData: German cases and laws5.4GB308,2281B
MedicalSmaller public datasets253MB179,77650M
MedicalCC medical texts3.6GB2,000,000682M
MedicalMedicine Dissertations1.4GB14,496295M
MedicalPubmed abstracts (translated)8.5GB21,044,3821.7B
MedicalMIMIC III (translated)2.6GB24,221,834695M
MedicalPMC-Patients-ReCDS (translated)2.1GB1,743,344414M
LiteratureGerman Fiction1.1GB3,219243M
LiteratureEnglish books (translated)7.1GB11,0381.6B
-Total167GB116,079,76935.8B

Benchmark

In a comprehensive benchmark, we evaluated existing German models and our own. The benchmark included a variety of task types, such as question answering, classification, and named entity recognition (NER). In addition, we introduced a new task focused on hate speech detection using two existing datasets. When the datasets provided training, development, and test sets, we used them accordingly.

We randomly split the data into 80% for training, 10% for validation, and 10% for test in cases where such sets were not available. The following table presents the F1 scores:

ModelGE14GQuADGE18TSGGPGRAS1JSDROCAvg
GBERTbase87.10±0.1272.19±0.8251.27±1.472.34±0.4878.17±0.2562.90±0.0177.18±3.3488.03±0.2073.65±0.50
GELECTRAbase86.19±0.574.09±0.7048.02±1.8070.62±0.4477.53±0.1165.97±0.0171.17±2.9488.06±0.3772.71±0.66
GottBERT87.15±0.1972.76±0.37851.12±1.2074.25±0.8078.18±0.1165.71±0.0174.60±4.7588.61±0.2374.05±0.51
GeBERTabase88.06±0.2278.54±0.3253.16±1.3974.83±0.3678.13±0.1568.37±1.1181.85±5.2389.14±0.3276.51±0.32

Publication

@inproceedings{dada2023impact,
  title={On the Impact of Cross-Domain Data on German Language Models},
  author={Dada, Amin and Chen, Aokun and Peng, Cheng and Smith, Kaleb E and Idrissi-Yaghir, Ahmad and Seibold, Constantin Marc and Li, Jianning and Heiliger, Lars and Friedrich, Christoph M and Truhn, Daniel and others},
  booktitle={The 2023 Conference on Empirical Methods in Natural Language Processing},
  year={2023}
}

Arxiv to link paper on Hugging Face: https://arxiv.org/abs/2310.07321

Contact

amin.dada@uk-essen.de

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
DebertaV2ForMaskedLM
Ревизия весов
6bdaeef

0 моделей