/ Модель

Характеристики

Контекст
512 токенов
Параметры
153 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
2 мар 2022

alephbert-base

Заполнение пропусковТекст → текст3 профессии

AlephBERT-base — BERT-модель для иврита, предсказывающая пропущенные в тексте токены.

22 404скачиваний за 30 дней21лайквеса обновлены26 июн 2022

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

AlephBERT-base — базовая языковая модель для иврита, разработанная Onlplab на основе архитектуры BERT Google. Она обучена на корпусах OSCAR, Википедии на иврите и сообщениях Twitter и предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные токены с учётом окружающего контекста.

Модель использует архитектуру BERT для masked language modeling, содержит около 153,2 млн параметров и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax. Модель ориентирована на иврит; лицензия — Apache-2.0.

AlephBERT подходит для восстановления пропущенных слов и как языковая основа для задач NLP на иврите. Карточка не описывает ограничения качества или специальные гарантии; как и другие языковые модели, она может давать неверные предсказания и отражать смещения обучающих корпусов.

Сценарии применения

  • восстановление пропущенных слов в текстах на иврите
  • подстановка замаскированного токена в предложении на иврите
  • подготовка языковых представлений для NLP-систем на иврите

Ограничения

Модель предсказывает токены в пределах контекста до 512 токенов и может ошибаться или отражать смещения корпусов OSCAR, Википедии и Twitter.

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

AlephBERT

Hebrew Language Model

State-of-the-art language model for Hebrew. Based on Google's BERT architecture (Devlin et al. 2018).

How to use

from transformers import BertModel, BertTokenizerFast

alephbert_tokenizer = BertTokenizerFast.from_pretrained('onlplab/alephbert-base')
alephbert = BertModel.from_pretrained('onlplab/alephbert-base')

# if not finetuning - disable dropout
alephbert.eval()

Training data

  1. OSCAR (Ortiz, 2019) Hebrew section (10 GB text, 20 million sentences).
  2. Hebrew dump of Wikipedia (650 MB text, 3 million sentences).
  3. Hebrew Tweets collected from the Twitter sample stream (7 GB text, 70 million sentences).

Training procedure

Trained on a DGX machine (8 V100 GPUs) using the standard huggingface training procedure.

Since the larger part of our training data is based on tweets we decided to start by optimizing using Masked Language Model loss only.

To optimize training time we split the data into 4 sections based on max number of tokens:

  1. num tokens < 32 (70M sentences)
  2. 32 <= num tokens < 64 (12M sentences)
  3. 64 <= num tokens < 128 (10M sentences)
  4. 128 <= num tokens < 512 (1.5M sentences)

Each section was first trained for 5 epochs with an initial learning rate set to 1e-4. Then each section was trained for another 5 epochs with an initial learning rate set to 1e-5, for a total of 10 epochs.

Total training time was 8 days.

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
BertForMaskedLM
Ревизия весов
1745fb3

0 моделей