Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Архитектура: bert · dense
Опубликована: 3 мая 2023

Ссылки

Hugging Face

mlm-20230503-indobert-base-p1-combined-001

intanm

Заполнение пропусковТекст → текст3 профессии

Дообученная BERT-модель для предсказания пропущенных слов в индонезийских финансовых новостях и отчётности.

62скачиваний за 30 дней0лайковвеса обновлены17 ноя 2023

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

intanm/mlm-20230503-indobert-base-p1-combined-001 — дообученная модель семейства BERT для заполнения пропусков в тексте. Она содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и возвращает предсказания токенов на месте маски. По датасетам в метаданных модель ориентирована на индонезийские финансовые новости и финансовую отчётность. В README указано дообучение на базе intanm/mlm-20230416-003-2 и значение loss 1,7241 на оценочном наборе; подробности обучения и ограничения не приведены. Файлы модели представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

подстановка пропущенных слов в финансовых новостях на индонезийском языке
восстановление маскированных терминов в финансовой отчётности
контекстный подбор слова для анализа индонезийских финансовых текстов

Ограничения

README не содержит подробных сведений об ограничениях и оценке качества; указано только значение loss 1,7241 на оценочном наборе. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

mlm-20230503-indobert-base-p1-combined-001

This model is a fine-tuned version of intanm/mlm-20230416-003-2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 1.7241

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20

Training results

Training Loss	Epoch	Step	Validation Loss
No log	1.0	284	2.7523
3.086	2.0	568	2.4679
3.086	3.0	852	2.3475
2.4695	4.0	1136	2.2232
2.4695	5.0	1420	2.0961
2.1859	6.0	1704	2.0702
2.1859	7.0	1988	1.9730
2.0172	8.0	2272	1.9398
1.9008	9.0	2556	1.9195
1.9008	10.0	2840	1.8858
1.8025	11.0	3124	1.8617
1.8025	12.0	3408	1.8328
1.7298	13.0	3692	1.7851
1.7298	14.0	3976	1.8226
1.6727	15.0	4260	1.7434
1.6347	16.0	4544	1.7531
1.6347	17.0	4828	1.7514
1.5973	18.0	5112	1.7060
1.5973	19.0	5396	1.7437
1.5732	20.0	5680	1.7242

Framework versions

Transformers 4.28.1
Pytorch 2.0.0+cu118
Datasets 2.12.0
Tokenizers 0.13.3

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: BertForMaskedLM
Ревизия весов: cfea5e0