/ Модель

Характеристики

Параметры
197 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Опубликована
12 янв 2023

varta-t5

Языковая модель7 профессий

Многоязычная модель T5, предварительно обученная на новостях Индии и предназначенная для заполнения пропусков и дообучения под задачи обработки текста.

32скачиваний за 30 дней3лайкавеса обновлены17 сен 2023

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

Varta-T5 — многоязычная модель семейства T5, разработанная авторами корпуса Varta. Она предварительно обучена на новостном корпусе из 41,8 млн статей на 14 индийских языках и английском языке с помощью задач восстановления пропущенных фрагментов и предложений. В метаданных указано 197,5 млн параметров; README описывает архитектуру T5 1.1 Base с 12 слоями энкодера и декодера и максимальной длиной последовательностей 512 токенов для входа и 256 для выхода.

Модель предназначена прежде всего для дообучения под конкретные задачи обработки естественного языка. Её можно применять для заполнения пропусков, генерации текста, машинного перевода, суммаризации, ответов на вопросы и классификации, включая анализ тональности. Лицензия — Apache-2.0.

Качество и представительность могут различаться между языками из-за неравномерного объёма обучающих данных. Корпус собран у партнёрских издателей DailyHunt и может отражать их идеологические или общественные предубеждения; авторы не проводили дебайасинг. Для прикладных задач рекомендуется дообучение и отдельная оценка результатов.

Сценарии применения

  • заполнение пропущенных фрагментов текста на индийских языках
  • дообучение для перевода между индийскими языками и английским
  • суммаризация новостных статей
  • ответы на вопросы по текстам
  • классификация тональности новостных публикаций

Ограничения

Объём данных заметно различается между языками, поэтому качество может быть неодинаковым; корпус основан на материалах партнёрских издателей DailyHunt и может отражать их предубеждения. Модель не проходила дебайасинг и рассчитана прежде всего на дообучение под конкретную задачу.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Varta-T5

Model Description

Varta-T5 is a model pre-trained on the full training set of Varta in 14 Indic languages (Assamese, Bhojpuri, Bengali, Gujarati, Hindi, Kannada, Malayalam, Marathi, Nepali, Oriya, Punjabi, Tamil, Telugu, and Urdu) and English, using span corruption and gap-sentence generation as objectives.

Varta is a large-scale news corpus for Indic languages, including 41.8 million news articles in 14 different Indic languages (and English), which come from a variety of high-quality sources. The dataset and the model are introduced in this paper. The code is released in this repository.

Uses

You can use this model for causal language modeling, but it's mostly intended to be fine-tuned on a downstream task.

Note that the text-to-text framework allows us to use the same model on any NLP task, including text generation tasks (e.g., machine translation, document summarization, question answering), and classification tasks (e.g., sentiment analysis).

Bias, Risks, and Limitations

This work is mainly dedicated to the curation of a new multilingual dataset for Indic languages, many of which are low-resource languages. During data collection, we face several limitations that can potentially result in ethical concerns. Some of the important ones are mentioned below:

  • Our dataset contains only those articles written by DailyHunt's partner publishers. This has the potential to result in a bias towards a particular narrative or ideology that can affect the representativeness and diversity of the dataset.
  • Another limitation is the languages represented in Varta. Out of 22 languages with official status in India, our dataset has only 13. There are 122 major languages spoken by at least 10,000 people and 159 other languages which are extremely low-resourced. None of these languages are represented in our dataset.
  • We do not perform any kind of debiasing on Varta. This means that societal and cultural biases may exist in the dataset, which can adversely affect the fairness and inclusivity of the models trained on it.

How to Get Started with the Model

You can use this model directly for span in-filling.

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("rahular/varta-t5")

model = AutoModelForSeq2SeqLM.from_pretrained("rahular/varta-t5")

Training Details

Training Data

Varta contains 41.8 million high-quality news articles in 14 Indic languages and English. With 34.5 million non-English article-headline pairs, it is the largest document-level dataset of its kind.

Pretraining

  • We use span corruption and gap-sentence generation as the pretraining objectives.
  • Both objectives are sampled uniformly during pretraining.
  • Span corruption is similar to masked language modeling except that instead of masking random tokens, we mask spans of tokens with an average length of 3.
  • In gap-sentence prediction, whole sentences are masked instead of spans. We follow the original work, and select sentences based on their `importance'.
  • Rouge-1 F1-score between the sentence and the document is used as a proxy for importance.
  • We use 0.15 and 0.2 as the masking ratios for span corruption and gap-sentence generation, respectively.

Since data sizes across languages in Varta vary from 1.5K (Bhojpuri) to 14.4M articles (Hindi), we use standard temperature-based sampling to upsample data when necessary.

  • We pretrain Varta-T5 using the T5 1.1 base architecture with 12 encoder and decoder layers.
  • We train with maximum sequence lengths of 512 and 256 for the encoder and decoder respectively.
  • We use 12 attention heads with an embedding dimension of 768 and a feed-forward width of 2048.
  • We use a 128K sentencepiece vocabulary.
  • In total, the model has 395M parameters.
  • The model is trained with Adafactor optimizer with a warm-up of 10K steps.
  • We use an initial learning rate of 1e-3 and use square root decay till we reach 2M steps.
  • We use an effective batch size of 256 and train the model on TPU v3-8 chips.
  • The model takes 11 days to train.

Evaluation Results

Please see the paper.

Citation

@misc{aralikatte2023varta,
      title={V\=arta: A Large-Scale Headline-Generation Dataset for Indic Languages}, 
      author={Rahul Aralikatte and Ziling Cheng and Sumanth Doddapaneni and Jackie Chi Kit Cheung},
      year={2023},
      eprint={2305.05858},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
T5ForConditionalGeneration
Ревизия весов
d30d91c

0 моделей