/ Модель

Характеристики

Контекст
4 098 токенов
Параметры
152 млн
Архитектура
longformer · dense
Опубликована
11 июл 2023

ru-longformer-base-4096

Заполнение пропусковТекст → текст6 профессий

Русскоязычная модель Longformer с контекстом до 4098 токенов для заполнения пропусков и получения эмбеддингов длинных текстов.

497скачиваний за 30 дней2лайкавеса обновлены12 июл 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

kazzand/ru-longformer-base-4096 — русскоязычная модель Longformer, разработанная на основе весов blinoff/roberta-base-russian-v0 и дообученная на корпусе русских книг. Она предназначена для обработки длинных текстов с контекстом до 4098 токенов и может служить основой для дальнейшей настройки под прикладные задачи.

Модель содержит 151,7 млн параметров, имеет 12 слоёв и 12 голов внимания. В карточке Hugging Face для неё указана задача fill-mask; автор также отмечает возможность получать текстовые эмбеддинги. Для использования эмбеддингов подойдёт извлечение признаков из длинных русскоязычных документов.

Сценарии применения

  • заполнение пропущенных слов в длинном русском тексте
  • получение эмбеддингов русскоязычных книг и документов
  • извлечение признаков из длинных текстов
  • дообучение модели для прикладных задач обработки русского языка

Ограничения

Для конкретной прикладной задачи может потребоваться дополнительное дообучение; качество эмбеддингов для целевого сценария в карточке не оценено.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

This is a base Longformer model designed for Russian language. It was initialized from blinoff/roberta-base-russian-v0 weights and has been modified to support a context length of up to 4096 tokens. We fine-tuned it on a dataset of Russian books. For a detailed information check out our post on Habr.

Model attributes:

  • 12 attention heads
  • 12 hidden layers
  • 4096 tokens length of context

The model can be used as-is to produce text embeddings or it can be further fine-tuned for a specific downstream task.

Text embeddings can be produced as follows:

# pip install transformers sentencepiece
import torch
from transformers import LongformerForMaskedLM, LongformerTokenizerFast

model = LongformerModel.from_pretrained('kazzand/ru-longformer-base-4096')
tokenizer = LongformerTokenizerFast.from_pretrained('kazzand/ru-longformer-base-4096')

def get_cls_embedding(text, model, tokenizer, device='cuda'):
    model.to(device)
    batch = tokenizer(text, return_tensors='pt')

    #set global attention for cls token
    global_attention_mask = [
            [1 if token_id == tokenizer.cls_token_id else 0 for token_id in input_ids]
            for input_ids in batch["input_ids"]
        ]

    #add global attention mask to batch
    batch["global_attention_mask"] = torch.tensor(global_attention_mask)

    with torch.no_grad():
        output = model(**batch.to(device))
    return output.last_hidden_state[:,0,:]

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
LongformerForMaskedLM
Ревизия весов
a54ae14

0 моделей