/ Модель

Характеристики

Контекст
512 токенов
Параметры
41,5 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
26 фев 2025

KyrgyzBert

Заполнение пропусковТекст → текст3 профессии

Компактная кыргызскоязычная BERT-модель для предсказания пропущенных слов и подготовки признаков для NLP-задач.

3 742скачиваний за 30 дней4лайкавеса обновлены26 фев 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

KyrgyzBert — компактная языковая модель на архитектуре BERT, разработанная Метиновым Адилетом и предварительно обученная на корпусе текстов на кыргызском языке. Модель содержит 41,5 млн параметров; вариант из карточки использует 6 слоёв, 8 голов внимания и словарь собственного токенизатора metinovadilet/bert-kyrgyz-tokenizer. Максимальная длина последовательности — 512 токенов.

Основное назначение модели — предсказание замаскированных слов в кыргызском тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей и других задач обработки кыргызского языка, а выходы модели применять для извлечения признаков. Обучение проводилось на корпусе более чем из 1,5 млн предложений; набор данных не раскрыт.

Модель может быть полезна для кыргызскоязычных NLP-приложений и исследований. Она может хуже работать с малоресурсными диалектами и смешением языков, а для классификации тональности и распознавания сущностей требует отдельного дообучения. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление пропущенных слов в кыргызском тексте
  • предсказание контекста слова на кыргызском языке
  • извлечение признаков для кыргызскоязычной классификации текста
  • дообучение для анализа тональности кыргызских текстов
  • дообучение для распознавания именованных сущностей на кыргызском

Ограничения

Модель может хуже справляться с малоресурсными диалектами и смешением языков. Для классификации тональности и распознавания именованных сущностей её нужно отдельно дообучить.

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

KyrgyzBert

Overview

KyrgyzBert is a small-scale BERT-based language model pre-trained on a large Kyrgyz text corpus. It is designed for masked language modeling (MLM), text classification, and Kyrgyz NLP applications. Developed by Metinov Adilet, this model aims to enhance Kyrgyz NLP research and practical applications.

Model Details

  • Architecture: BERT (small-scale variant)
  • Vocabulary Size: Custom Kyrgyz tokenizer
  • Hidden Size: 512
  • Number of Layers: 6
  • Attention Heads: 8
  • Intermediate Size: 2048
  • Max Sequence Length: 512
  • Pretraining Task: Masked Language Modeling (MLM)
  • Framework: Hugging Face Transformers

Training Data

This model was trained on non-disclosable dataset containing over 1.5 million sentences. The dataset was tokenized using a metinovadilet/bert-kyrgyz-tokenizer.

Training Setup

  • Hardware: Trained on an RTX 3090 GPU
  • Batch Size: 16
  • Optimizer: AdamW
  • Learning Rate: 1e-4
  • Weight Decay: 0.01
  • Training Epochs: 10 00

Intended Use

  • Text Completion & Prediction: Filling in missing words in Kyrgyz text.
  • Feature Extraction: Kyrgyz word embeddings for downstream NLP tasks.
  • Fine-Tuning: Can be fine-tuned for Kyrgyz sentiment analysis, named entity recognition (NER), machine translation, etc.

How to Use

You can load the model using Hugging Face's transformers library:

from transformers import BertTokenizerFast, BertForMaskedLM
import torch

# Load model and tokenizer
model_name = "metinovadilet/KyrgyzBert"
tokenizer = BertTokenizerFast.from_pretrained(model_name)
model = BertForMaskedLM.from_pretrained(model_name)

# Input text with [MASK] token
text = "Бул жерден [MASK] нерселерди таба аласыз."

# Tokenize input
inputs = tokenizer(text, return_tensors="pt")

# Model prediction
with torch.no_grad():
    outputs = model(**inputs).logits

# Find masked token index
masked_index = (inputs.input_ids == tokenizer.mask_token_id).nonzero(as_tuple=True)[1].item()

# Get top 5 predictions for the masked token
probs = torch.softmax(outputs[0, masked_index], dim=-1)
top_k = torch.topk(probs, k=5)  # Get top 5 predictions

# Decode predicted tokens
predicted_tokens = [tokenizer.decode([token_id]) for token_id in top_k.indices.tolist()]

# Print predictions
print(f"Top predictions for [MASK]: {', '.join(predicted_tokens)}")

Limitations

  • The model may struggle with low-resource dialects and code-switching.
  • Performance depends on the quality and diversity of training data.
  • It is not fine-tuned for specific tasks like sentiment analysis or NER.

Acknowledgments

This model was developed by Metinov Adilet. If you use this model, please consider citing our work.

License

This model is released under the Apache 2.0 License.

Citation

If you use this model in your research, please cite:

@misc{metinovadilet2025kyrgyzbert,
  author = {Metinov Adilet},
  title = {KyrgyzBert: A Small BERT Model for the Kyrgyz Language},
  year = {2025},
  howpublished = {Hugging Face},
  url = {https://huggingface.co/metinovadilet/KyrgyzBert}
}

Contact

For questions, reach out to Metinov Adilet via Hugging Face or email - metinovadilet@gmail.com

Ulutsoft collaboration

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
BertForMaskedLM
Ревизия весов
f696cf6

0 моделей