/ Модель

Характеристики

Контекст
512 токенов
Параметры
142 млн
Архитектура
bert · dense
Опубликована
2 мар 2022

RoBERT-base

Языковая модель4 профессии

Предварительно обученный румынский BERT-энкодер для адаптации к задачам классификации и анализа текста на румынском языке.

1 133скачиваний за 30 дней11лайковвеса обновлены21 июн 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

RoBERT-base — румынская версия BERT, разработанная для работы с текстом на румынском языке. Это предварительно обученный энкодер с 12 слоями, скрытым размером 768 и 12 головами внимания; обучение проводилось с задачами masked language modeling и next sentence prediction. В карточке указано 114 млн параметров, а метаданные репозитория содержат 142,3 млн; длина контекста составляет 512 токенов. Модель uncased и доступна в форматах PyTorch, TensorFlow и Flax.

RoBERT-base предназначена для последующей адаптации к задачам классификации текста, анализа тональности, определения диалекта и тематической классификации, а также восстановления диакритики. Обучение выполнено на подборке румынских корпусов Oscar, RoTex и RoWiki. В README приведены результаты для ряда задач, включая анализ тональности и классификацию молдавского и румынского вариантов языка.

Это базовая предварительно обученная модель, поэтому для прикладных задач обычно требуется дообучение или отдельная модельная голова. Она рассчитана на румынский язык и ограничена контекстом в 512 токенов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация тональности румынских отзывов
  • определение румынского или молдавского варианта текста
  • классификация тем румынских текстов
  • восстановление диакритики в румынском тексте
  • дообучение энкодера для классификации румынских документов

Ограничения

Модель ограничена румынским языком и контекстом в 512 токенов; для конкретных прикладных задач обычно требуется дообучение. Лицензия не указана в предоставленных данных.

Для каких профессий подходит4

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

Model card for RoBERT-base


language:

  • ro

RoBERT-base

Pretrained BERT model for Romanian

Pretrained model on Romanian language using a masked language modeling (MLM) and next sentence prediction (NSP) objective. It was introduced in this paper. Three BERT models were released: RoBERT-small, RoBERT-base and RoBERT-large, all versions uncased.

ModelWeightsLHAMLM accuracyNSP accuracy
RoBERT-small19M1225680.53630.9687
RoBERT-base114M12768120.65110.9802
RoBERT-large341M241024240.69290.9843

All models are available:

How to use

# tensorflow
from transformers import AutoModel, AutoTokenizer, TFAutoModel
tokenizer = AutoTokenizer.from_pretrained("readerbench/RoBERT-base")
model = TFAutoModel.from_pretrained("readerbench/RoBERT-base")
inputs = tokenizer("exemplu de propoziție", return_tensors="tf")
outputs = model(inputs)

# pytorch
from transformers import AutoModel, AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("readerbench/RoBERT-base")
model = AutoModel.from_pretrained("readerbench/RoBERT-base")
inputs = tokenizer("exemplu de propoziție", return_tensors="pt")
outputs = model(**inputs)

Training data

The model is trained on the following compilation of corpora. Note that we present the statistics after the cleaning process.

CorpusWordsSentencesSize (GB)
Oscar1.78B87M10.8
RoTex240M14M1.5
RoWiki50M2M0.3
Total2.07B103M12.6

Downstream performance

Sentiment analysis

We report Macro-averaged F1 score (in %)

ModelDevTest
multilingual-BERT68.9669.57
XLM-R-base71.2671.71
BERT-base-ro70.4971.02
RoBERT-small66.3266.37
RoBERT-base70.8971.61
RoBERT-large72.4872.11

Moldavian vs. Romanian Dialect and Cross-dialect Topic identification

We report results on VarDial 2019 Moldavian vs. Romanian Cross-dialect Topic identification Challenge, as Macro-averaged F1 score (in %).

ModelDialect ClassificationMD to RORO to MD
2-CNN + SVM93.4065.0975.21
Char+Word SVM96.2069.0881.93
BiGRU93.3070.1080.30
multilingual-BERT95.3468.7678.24
XLM-R-base96.2869.9382.28
BERT-base-ro96.2069.9378.79
RoBERT-small95.6769.0180.40
RoBERT-base97.3968.3081.09
RoBERT-large97.7869.9183.65

Diacritics Restoration

Challenge can be found here. We report results on the official test set, as accuracies in %.

Modelword levelchar level
BiLSTM99.42-
CharCNN98.4099.65
CharCNN + multilingual-BERT99.7299.94
CharCNN + XLM-R-base99.7699.95
CharCNN + BERT-base-ro99.7999.95
CharCNN + RoBERT-small99.7399.94
CharCNN + RoBERT-base99.7899.95
CharCNN + RoBERT-large99.7699.95

BibTeX entry and citation info

@inproceedings{masala2020robert,
  title={RoBERT--A Romanian BERT Model},
  author={Masala, Mihai and Ruseti, Stefan and Dascalu, Mihai},
  booktitle={Proceedings of the 28th International Conference on Computational Linguistics},
  pages={6626--6637},
  year={2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Ревизия весов
5cd1186

0 моделей