Характеристики

Контекст: 514 токенов
Параметры: 305 млн
Архитектура: xlm-roberta · dense
Библиотека: transformers
Опубликована: 9 июл 2025

Ссылки

Hugging Face arXiv 1910.09700

xlm-roberta-base-parliament-adaptation

Заполнение пропусковТекст → текст3 профессии

Многоязычная модель XLM-RoBERTa, адаптированная к парламентскому контексту для заполнения пропусков и последующего анализа текстов.

255скачиваний за 30 дней0лайковвеса обновлены9 июл 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

liserman/xlm-roberta-base-parliament-adaptation — модель на базе XLM-RoBERTa, опубликованная пользователем liserman и предназначенная для заполнения пропусков в тексте. Она адаптирована для парламентского контекста, поэтому может использоваться как основа для анализа и восстановления фрагментов текстов парламентских выступлений и документов.

Модель содержит около 305,2 млн параметров, работает в библиотеке Transformers и поддерживает контекст длиной до 514 токенов. Основная модальность — текст; задача модели задаётся через pipeline fill-mask. Архитектура XLM-RoBERTa ориентирована на многоязычную обработку текста, однако конкретный набор поддерживаемых языков в предоставленных данных не указан.

Модель подходит для восстановления замаскированных слов, адаптации downstream-моделей к парламентской лексике и подготовки признаков для классификации или поиска по политическим документам. README не содержит сведений о разработчике, лицензии, датасете обучения, результатах оценки и дополнительных ограничениях, поэтому условия коммерческого и иного использования следует проверять отдельно на странице модели.

Сценарии применения

восстановление пропущенных слов в парламентских выступлениях
анализ лексики парламентских документов
подготовка эмбеддингов для классификации политических текстов
дообучение моделей на корпусах законодательных и парламентских материалов

Ограничения

В README отсутствуют сведения о языке и составе обучающих данных, результатах оценки, лицензии и количественных показателях качества. Модель предназначена для заполнения масок и не является готовой моделью для свободной генерации длинных текстов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.8Отраслевые задачиГосударственное управление, правосудие и чрезвычайные ситуацииAI помогает улучшать государственные услуги, управление ресурсами, правосудие и реагирование на чрезвычайные ситуации.47 задач2 517моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

Model Details

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

Developed by: [More Information Needed]
Funded by [optional]: [More Information Needed]
Shared by [optional]: [More Information Needed]
Model type: [More Information Needed]
Language(s) (NLP): [More Information Needed]
License: [More Information Needed]
Finetuned from model [optional]: [More Information Needed]

Model Sources [optional]

Repository: [More Information Needed]
Paper [optional]: [More Information Needed]
Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

Hardware Type: [More Information Needed]
Hours used: [More Information Needed]
Cloud Provider: [More Information Needed]
Compute Region: [More Information Needed]
Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

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: XLMRobertaForMaskedLM
Ревизия весов: 119332e