/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Архитектура
xlm-roberta · dense
Библиотека
transformers
Опубликована
25 дек 2024

roberta-base-amharic

Заполнение пропусковТекст → текст3 профессии

Амхароязычная XLM-RoBERTa-модель для восстановления замаскированных токенов и дообучения на задачах классификации тональности и распознавания сущностей.

751скачиваний за 30 дней0лайковвеса обновлены16 янв 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

rasyosef/roberta-base-amharic — амхароязычная языковая модель на архитектуре XLM-RoBERTa, разработанная автором репозитория и предварительно обученная с нуля на корпусах OSCAR, mC4 и Amharic Sentences Corpus. Она предназначена для восстановления замаскированных токенов и как encoder-основа для дообучения на задачах классификации тональности и распознавания именованных сущностей.

В README указаны 110 млн параметров, словарь токенизатора размером 32 тыс. и обучение на 290 млн токенов; метаданные указывают 137,8 млн параметров и контекст до 512 токенов. В описанной автором оценке модель показала perplexity 8,08, F1 0,88 для классификации тональности и 0,78 для распознавания именованных сущностей на амхарском языке. Для загрузки доступны веса в формате safetensors.

Модель рассчитана прежде всего на амхарский язык и не является генеративной чат-моделью: основной сценарий — masked language modeling, а для прикладных задач классификации и NER требуется подходящее дообучение. В README заявлено преимущество над XLM-RoBERTa-base для амхарских задач, однако подробности протокола оценки и условия лицензии в предоставленных источниках отсутствуют.

Сценарии применения

  • восстановление пропущенных слов в амхарском тексте
  • дообучение классификатора тональности амхарских отзывов
  • распознавание имен и организаций в амхарских документах

Ограничения

Для прикладной классификации тональности и NER модель нужно дообучить; она предназначена для амхарского языка, а не для диалоговой генерации. README сообщает 110 млн параметров, тогда как метаданные указывают 137,8 млн.

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

roberta-base-amharic

This model has the same architecture as xlm-roberta-base and was pretrained from scratch using the Amharic subsets of the oscar, mc4, and amharic-sentences-corpus datasets, on a total of 290 Million tokens. The tokenizer was trained from scratch on the same text corpus, and had a vocabulary size of 32k.

The model was trained for 22 hours on an A100 40GB GPU.

It achieves the following results on the evaluation set:

  • Loss: 2.09
  • Perplexity: 8.08

This model has 110 Million parameters and is currently the best Amharic encoder model, beating the 2.5x larger 279 Million parameter xlm-roberta-base multilingual model on Amharic Sentiment Classification and Named Entity Recognition tasks.

How to use

You can use this model directly with a pipeline for masked language modeling:

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='rasyosef/roberta-base-amharic')
>>> unmasker("ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ <mask> ተቆጥሯል።")

[{'score': 0.40162667632102966,
  'token': 137,
  'token_str': 'ዓመት',
  'sequence': 'ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ ዓመት ተቆጥሯል።'},
 {'score': 0.24096301198005676,
  'token': 346,
  'token_str': 'አመት',
  'sequence': 'ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ አመት ተቆጥሯል።'},
 {'score': 0.15971705317497253,
  'token': 217,
  'token_str': 'ዓመታት',
  'sequence': 'ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ ዓመታት ተቆጥሯል።'},
 {'score': 0.13074122369289398,
  'token': 733,
  'token_str': 'አመታት',
  'sequence': 'ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ አመታት ተቆጥሯል።'},
 {'score': 0.03847867250442505,
  'token': 194,
  'token_str': 'ዘመን',
  'sequence': 'ከሀገራቸው ከኢትዮጵያ ከወጡ ግማሽ ምዕተ ዘመን ተቆጥሯል።'}]

Finetuning

This model was finetuned and evaluated on the following Amharic NLP tasks

Finetuned Model Performance

The reported F1 scores are macro averages.

ModelSize (# params)PerplexitySentiment (F1)Named Entity Recognition (F1)
roberta-base-amharic110M8.080.880.78
roberta-medium-amharic42.2M11.590.840.75
bert-medium-amharic40.5M13.740.830.68
bert-small-amharic27.8M15.960.830.68
bert-mini-amharic10.7M22.420.810.64
bert-tiny-amharic4.18M71.520.790.54
xlm-roberta-base279M0.830.73
afro-xlmr-base278M0.830.75
afro-xlmr-large560M0.860.76
am-roberta443M0.820.69

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
XLMRobertaForMaskedLM
Ревизия весов
b1a3d2c

0 моделей