/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Опубликована
2 мар 2022

roberta-base-japanese

Заполнение пропусковТекст → текст3 профессии

Базовая японская RoBERTa для восстановления замаскированных фрагментов текста и дообучения на задачах понимания японского языка.

4 997скачиваний за 30 дней32лайкавеса обновлены20 апр 2026

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

Это базовая японская RoBERTa-модель, разработанная nlp-waseda и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для восстановления замаскированных слов и подслов в японском тексте, а также может служить основой для задач понимания японского языка после дообучения.

Модель использует архитектуру RoBERTa для masked language modeling, содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. Словарь SentencePiece насчитывает 32 000 токенов; при подготовке текста применялась сегментация Juman++, хотя токенизатор Transformers поддерживает автоматическую обработку. Модель работает с японским языком и распространяется по лицензии Apache 2.0.

Сценарии применения

  • восстановление пропущенных слов в японском тексте
  • оценка правдоподобия японских текстовых фрагментов
  • предварительная языковая модель для дообучения под классификацию японского текста

Ограничения

Для задач, отличных от восстановления замаскированных фрагментов, модель обычно требует дообучения. README отмечает необходимость сегментации Juman++ при ручной подготовке текста, хотя токенизатор Transformers поддерживает автоматическую обработку.

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

nlp-waseda/roberta-base-japanese

Model description

This is a Japanese RoBERTa base model pretrained on Japanese Wikipedia and the Japanese portion of CC-100.

As of 2026-04-20, the license of this model has been changed from CC BY-SA 4.0 to Apache License 2.0, as Creative Commons licenses are generally not well-suited for machine learning models.

How to use

You can use this model for masked language modeling as follows:

from transformers import AutoTokenizer, AutoModelForMaskedLM
tokenizer = AutoTokenizer.from_pretrained("nlp-waseda/roberta-base-japanese")
model = AutoModelForMaskedLM.from_pretrained("nlp-waseda/roberta-base-japanese")

sentence = '早稲田 大学 で 自然 言語 処理 を [MASK] する 。' # input should be segmented into words by Juman++ in advance
encoding = tokenizer(sentence, return_tensors='pt')
...

You can fine-tune this model on downstream tasks.

Tokenization

The input text should be segmented into words by Juman++ in advance. Juman++ 2.0.0-rc3 was used for pretraining. Each word is tokenized into tokens by sentencepiece.

BertJapaneseTokenizer now supports automatic JumanppTokenizer and SentencepieceTokenizer. You can use this model without any data preprocessing.

Vocabulary

The vocabulary consists of 32000 tokens including words (JumanDIC) and subwords induced by the unigram language model of sentencepiece.

Training procedure

This model was trained on Japanese Wikipedia (as of 20210920) and the Japanese portion of CC-100. It took a week using eight NVIDIA A100 GPUs.

The following hyperparameters were used during pretraining:

  • learning_rate: 1e-4
  • per_device_train_batch_size: 256
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 2
  • total_train_batch_size: 4096
  • max_seq_length: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • training_steps: 700000
  • warmup_steps: 10000
  • mixed_precision_training: Native AMP

Performance on JGLUE

See the Baseline Scores of JGLUE.

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
81974e4

0 моделей