/ Модель

Характеристики

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

geberta-large

Заполнение пропусковТекст → текст3 профессии

Немецкоязычная модель DeBERTa-v2 для предсказания замаскированных слов и адаптации к задачам анализа немецкого текста.

126скачиваний за 30 дней2лайкавеса 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 Large — немецкоязычная модель семейства DeBERTa-v2, разработанная совместно University of Florida, NVIDIA и IKIM. Это вариант для заполнения пропусков в тексте: модель предсказывает замаскированные токены с учётом окружающего контекста. Чекпойнт содержит 454,1 млн параметров, использует токенизатор SentencePiece и поддерживает последовательности длиной до 512 токенов.

Модель предварительно обучена на немецких текстах из разных областей, включая Wikipedia, новости и GC4. Её можно применять как основу для немецкоязычного анализа текста и адаптировать для классификации, ответов на вопросы и распознавания именованных сущностей; в опубликованном исследовании также оценивалось выявление языка ненависти. В бенчмарке GeBERTa Large показала средний F1 77,67 по рассмотренным наборам задач.

Модель распространяется по лицензии MIT. Она предназначена для немецкого языка и не является готовой моделью генерации связных ответов: основной сценарий использования — masked language modeling. Контекст ограничен 512 токенами.

Сценарии применения

  • предсказание пропущенного слова в немецком предложении
  • оценка контекстной совместимости немецких слов
  • дообучение классификатора немецких текстов
  • адаптация для распознавания именованных сущностей на немецком
  • адаптация для ответов на вопросы по немецким текстам

Ограничения

Максимальная длина входной последовательности — 512 токенов. Для классификации, ответов на вопросы и распознавания сущностей модель требуется адаптировать; это не готовая генеративная чат-модель.

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
GBERTlarge88.48±0.2381.51±0.8454.37±1.6573.60±0.6179.17±0.1469.28±0.8076.32±4.4290.29±0.1576.63±0.63
GELECTRAlarge88.39±0.1380.51±0.4155.41±1.5473.84±0.8679.09±0.0970.16±0.9273.73±2.3589.83±0.2776.37±0.69
GeBERTalarge88.84±0.1882.52±0.5953.76±1.8675.32±0.5378.35±0.0870.02±1.3482.16±2.3690.39±0.2477.67±0.69
GeBERTaxlarge89.04±0.2685.05±0.6355.80±1.4276.25±0.70476.71±0.0867.92±1.0082.42±4.7090.63±0.2177.98±0.62

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
5c2a896

0 моделей