/ Модель

Характеристики

Контекст
514 токенов
Параметры
96,6 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
27 апр 2023

kaz-roberta-conversational

Заполнение пропусковТекст → текст3 профессии

Казахская RoBERTa-модель для предсказания скрытых слов и токенов в тексте.

597скачиваний за 30 дней21лайквеса обновлены3 окт 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

Kaz-RoBERTa Conversational — языковая модель семейства RoBERTa, разработанная kz-transformers и предварительно обученная на казахских текстах с задачей masked language modeling. Модель содержит 96,6 млн параметров, использует byte-level BPE с словарём из 52 000 токенов и обрабатывает последовательности длиной до 514 токенов по метаданным. В архитектуре 6 слоёв и 12 голов внимания.

Обучающие данные включают многоотраслевой казахский корпус и предобработанные диалоги службы поддержки Beeline KZ. Основное применение — предсказание скрытых токенов в казахском тексте, например для восстановления пропусков и анализа контекста фразы. Модель доступна в форматах PyTorch и safetensors и предназначена для работы через Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в казахском тексте
  • подбор вероятного продолжения фразы по контексту
  • анализ контекста казахских предложений через masked language modeling

Ограничения

Модель предназначена для казахского текста и ограничена контекстом около 512 токенов. README не описывает отдельную оценку качества или возможности генерации связного текста; основной заявленный сценарий — заполнение масок.

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

DOI

Kaz-RoBERTa (base-sized model)

Model description

Kaz-RoBERTa is a transformers model pretrained on a large corpus of Kazakh data in a self-supervised fashion. More precisely, it was pretrained with the Masked language modeling (MLM) objective.

Usage

You can use this model directly with a pipeline for masked language modeling:

>>> from transformers import pipeline
>>> pipe = pipeline('fill-mask', model='kz-transformers/kaz-roberta-conversational')
>>> pipe("Мәтел тура, ауыспалы, астарлы <mask> қолданылады")
#Out:
# {'score': 0.8131822347640991,
#   'token': 18749,
#   'token_str': ' мағынада',
#   'sequence': 'Мәтел тура, ауыспалы, астарлы мағынада қолданылады'},
# ...
# ...]

Training data

The Kaz-RoBERTa model was pretrained on the reunion of 2 datasets:

  • MDBKD Multi-Domain Bilingual Kazakh Dataset is a Kazakh-language dataset containing just over 24 883 808 unique texts from multiple domains.
  • Conversational data Preprocessed dialogs between Customer Support Team and clients of Beeline KZ (Veon Group)

Together these datasets weigh 25GB of text.

Training procedure

Preprocessing

The texts are tokenized using a byte version of Byte-Pair Encoding (BPE) and a vocabulary size of 52,000. The inputs of the model take pieces of 512 contiguous tokens that may span over documents. The beginning of a new document is marked with <s> and the end of one by </s>

Pretraining

The model was trained on 2 V100 GPUs for 500K steps with a batch size of 128 and a sequence length of 512. MLM probability - 15%, num_attention_heads=12, num_hidden_layers=6.

Citation

If you use Kaz-RoBERTa Conversational, please cite:

Cite as: Beksultan Sagyndyk, Sanzhar Murzakhmetov, Kirill Yakunin. Kaz-RoBERTa Conversational Technical Report. TechRxiv. October 02, 2025.
DOI: 10.36227/techrxiv.175942902.25827042/v1

BibTeX

@misc{Sagyndyk2025KazRobertaConversational,
  title  = {Kaz-RoBERTa Conversational Technical Report},
  author = {Beksultan Sagyndyk and Sanzhar Murzakhmetov and Kirill Yakunin},
  year   = {2025},
  publisher = {TechRxiv},
  doi    = {10.36227/techrxiv.175942902.25827042/v1},
  url    = {https://doi.org/10.36227/techrxiv.175942902.25827042/v1}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
43077c2

0 моделей