/ Модель

Характеристики

Контекст
512 токенов
Параметры
139 млн
Архитектура
roberta · dense
Опубликована
13 авг 2022

roberta-base-latin-cased3

Заполнение пропусковТекст → текст

Латинская RoBERTa-модель для заполнения масок, оценки результатов распознавания рукописного текста и декодирования в TrOCR.

223скачиваний за 30 дней4лайкавеса обновлены13 авг 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

pstroe/roberta-base-latin-cased3 — языковая модель на основе RoBERTa, обученная для латинского языка. Автор предназначает её для оценки результатов распознавания рукописного текста (HTR) и в качестве декодера в архитектуре TrOCR.

Модель обучена на тексте из Corpus Corporum, собранного и поддерживаемого Цюрихским университетом. После нормализации, разбиения на предложения и фильтрации по языку обучающий корпус составил около 232 млн токенов. Архитектура — RobertaForMaskedLM, размер — 138,5 млн параметров, контекст — до 512 токенов; формат весов — PyTorch. Основная задача в каталоге — заполнение маски в тексте.

Модель подходит для языкового скоринга и декодирования латинского текста, но карточка называет её версией 3 и сообщает, что описание ещё не завершено. Данные для обучения планировалось опубликовать отдельно. Сведения о лицензии в доступных материалах отсутствуют.

Сценарии применения

  • заполнение пропусков в латинском тексте
  • языковая оценка результатов распознавания латинских рукописей
  • декодирование латинского текста в конвейере TrOCR

Ограничения

Карточка модели не завершена, а обучающий датасет заявлен к публикации позднее. Лицензия в доступных материалах не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoBERTa Latin model, version 3 --> model card not finished yet

This is a Latin RoBERTa-based LM model, version 3.

The intention of the Transformer-based LM is twofold: on the one hand, it will be used for the evaluation of HTR results; on the other, it should be used as a decoder for the TrOCR architecture.

The training data differs from the one used in the RoBERTa Bas Latin Cased V1 and V2, and therefore also by what is used by Bamman and Burns (2020). We exclusively used the text from the Corpus Corporum collected and maintained by the University of Zurich.

The overall corpus contains 1.5G of text data (3x as much as has been used for V2 and very likely of better quality).

Preprocessing

I undertook the following preprocessing steps:

  • Normalisation of all lines with CLTK incl. sentence splitting.
  • Language identification with langid
  • Retaining only Latin lines.

The result is a corpus of ~232 million tokens.

The dataset used to train this will be available on Hugging Face later HERE (does not work yet).

Contact

For contact, reach out to Phillip Ströbel via mail or via Twitter.

How to cite

If you use this model, pleas cite it as:

@online{stroebel-roberta-base-latin-cased3,
    author = {Ströbel, Phillip Benjamin},
    title = {RoBERTa Base Latin Cased V2},
    year = 2022,
    url = {https://huggingface.co/pstroe/roberta-base-latin-cased3},
    urldate = {YYYY-MM-DD}
}

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
4b3533c

0 моделей