/ Модель

Характеристики

Контекст
514 токенов
Параметры
119 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
28 окт 2024

Roberta_Historical

Заполнение пропусковТекст → текст3 профессии

RoBERTa, обученная на средневековых текстах, служит основой для NLP-задач и обработки результатов HTR на латыни, старофранцузском и староиспанском.

47скачиваний за 30 дней0лайковвеса обновлены5 ноя 2024

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

magistermilitum/Roberta_Historical — модель RoBERTa, обученная с нуля на исторических текстах и предназначенная служить основой для NLP-задач и обработки результатов HTR. Обучение проводилось на корпусе примерно из 650 млн токенов классической и средневековой латыни, старофранцузского и староиспанского языков; тексты охватывают период с V века до н. э. по XVI век. В числе источников — CC100, Corpus Corporum, CEMA, средневековые французские и испанские корпуса.

Модель имеет около 119,4 млн параметров, архитектуру RoBERTa для masked language modeling и контекст до 514 токенов. Её можно применять как основу для адаптации к историческому NLP и HTR, а также для заполнения маскированных токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка отмечает пересечения текстов между корпусами; такие дубликаты могут повлиять на оценку обобщения.

Сценарии применения

  • предсказание пропущенных слов в исторических текстах
  • дообучение языковой модели для анализа средневековой латыни
  • адаптация NLP-систем к старофранцузским документам
  • обработка исторических текстов после распознавания HTR

Ограничения

Модель обучалась на корпусах с заметным пересечением текстов, что может завышать оценки качества на похожих данных. Карточка описывает её как основу для последующей адаптации, а не как готовое решение для конкретной NLP- или HTR-задачи.

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

Model Details

This is a RoBERTa model trained from scratch on medieval texts. The model is intended to be used as a fondation for other ML tasks on NLP and HTR environments.

The train dataset entails 650M of tokens coming from texts on classical and medieval latin; old french and old Spanish from a period ranging from 5th BC to 16th centuries.

Several big corpora were cleaned and transformed to be used during the training process :

datasetsizeLangdates
CC100 [1]3,2Gbla5th BC - 18th
Corpus Corporum [2]3,0Gbla5th BC - 16th
CEMA [3]320Mbla+fro9th - 15th
HOME-Alcar [4]38Mbla+fro12th - 15th
BFM [5]34Mbfro13th - 15th
AND [6]19Mbfro13th - 15th
CODEA [7]13Mbspa12th - 16th
~6,5Gb
650M tokens (4,5Gb)*
  • A significant overlapped quantity of text was detected across the corpora, specially on medieval collections. Besides, synthetic text ("Lorem ipsum dolorem...") was iteratively deleted.

[1] CC-NET Repository : https://huggingface.co/datasets/cc100

[2] Repositorium operum lationorum apud universitatem Turicensem : https://mlat.uzh.ch/

[3] Cartae Europae Medii Aevi (5th-15th c.) : https://cema.lamop.fr/

[4] History of Medieval Europe : https://doi.org/10.5281/zenodo.5600884

[5] Base du Français Médieval : https://txm-bfm.huma-num.fr/txm/

[6] Anglo-Normand Dictionary : https://anglo-norman.net/

[7] Corpus de Docuemntos Españoles anteriores a 1900: https://www.corpuscodea.es/

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
RobertaForMaskedLM
Ревизия весов
44e2ce9

0 моделей