/ Модель

Характеристики

Контекст
512 токенов
Параметры
1,1 млрд
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
20 июл 2023

geberta-xlarge

Заполнение пропусковТекст → текст3 профессии

Немецкоязычная модель DeBERTa-v2 на 1,1 млрд параметров для восстановления замаскированных токенов в тексте.

50скачиваний за 30 дней1лайквеса 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 XLarge — немецкоязычная модель для работы с текстом, разработанная совместно Университетом Флориды, NVIDIA и IKIM. Она использует архитектуру DeBERTa-v2 и предназначена для восстановления скрытых токенов в тексте; также входит в семейство моделей, оценённых на задачах классификации, ответов на вопросы и распознавания именованных сущностей.

В репозитории представлена версия с 1,1 млрд параметров, максимальной длиной последовательности 512 токенов и токенизатором SentencePiece. Предобучение GeBERTa проводилось на немецких текстах из Википедии, новостных источников и других корпусов. Модель опубликована под лицензией MIT.

Сценарии применения

  • восстановление пропущенных слов в немецком тексте
  • предсказание замаскированных токенов в предложениях
  • извлечение контекстных представлений немецких текстов для последующей настройки

Ограничения

Максимальная длина входной последовательности составляет 512 токенов; модель предназначена для немецкого языка и не является готовым решением для генерации свободного текста.

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
7dc24ad

0 моделей