/ Модель

Характеристики

Контекст
512 токенов
Параметры
126 млн
Лицензия
Apache 2.0
Архитектура
albert · dense
Базовая модель
albert-base-v2
Библиотека
transformers
Опубликована
13 янв 2026

albert-khmer-small

Заполнение пропусковТекст → текст3 профессии

Компактная модель ALBERT для восстановления пропущенных слов и построения языковых представлений на кхмерском языке.

126скачиваний за 30 дней6лайковвеса обновлены20 мар 2026

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

Khmer-ALBERT-Small — языковая модель Seanghay Yath для кхмерского языка на архитектуре ALBERT v2. По карточке она обучена с нуля на корпусе из 13 миллионов кхмерских предложений и имеет около 9,42 млн параметров; метаданные Hugging Face при этом указывают 125,5 млн параметров и базовую модель albert/albert-base-v2. Для восстановления пропущенных токенов модель принимает текст с маской и предсказывает подходящие слова. Её представления можно использовать как основу для классификации текста и разметки токенов, включая анализ тональности, распознавание именованных сущностей и определение частей речи.

Разделение параметров между слоями и факторизованные эмбеддинги в ALBERT позволяют использовать модель с меньшим числом параметров, чем у стандартного BERT-base с сопоставимым размером скрытого слоя. Контекст ограничен 512 токенами. Карточка описывает применение на устройствах с ограниченными ресурсами, однако количественные результаты оценки не приведены. Лицензия — Apache 2.0.

Сценарии применения

  • восстановление пропущенных кхмерских слов в предложении
  • извлечение кхмерских текстовых представлений для последующей классификации
  • классификация кхмерских отзывов по тональности
  • распознавание именованных сущностей в кхмерском тексте
  • разметка частей речи в кхмерских предложениях

Ограничения

Модель предназначена для кхмерского языка и ограничена контекстом в 512 токенов. README и метаданные расходятся в числе параметров и происхождении: карточка заявляет обучение с нуля и около 9,42 млн параметров, а метаданные указывают дообучение albert/albert-base-v2 и 125,5 млн параметров.

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

Model Card: Khmer-ALBERT-Small

This model is a lightweight, efficient ALBERT (A Lite BERT) model pre-trained from scratch on a large-scale Khmer corpus. It is designed to provide high-performance natural language understanding for the Khmer language while maintaining a tiny memory footprint.

Model Description

  • Model Type: ALBERT (A Lite BERT)
  • Language: Khmer (km)
  • Parameters: 9.42 Million
  • Training Data: 13 Million Khmer sentences
  • Base Architecture: ALBERT v2 (Parameter sharing and factorized embedding transformations)
  • License: Apache 2.0

Intended Uses & Limitations

This model is a masked language model (MLM). It is highly efficient for deployment on edge devices or applications where latency is critical. It is suitable for:

  • Token Classification: Named Entity Recognition (NER), Part-of-Speech (POS) tagging.
  • Text Classification: Sentiment analysis, intent detection, topic categorization.
  • Feature Extraction: Generating Khmer-specific word and sentence embeddings.
  • Language Modeling: Filling masks and understanding Khmer syntax.

How to Use

import torch
from transformers import AlbertForMaskedLM, AlbertTokenizer
import sentencepiece as spm

# Load model and tokenizer
model = AlbertForMaskedLM.from_pretrained("seanghay/albert-khmer-small")
tokenizer = AlbertTokenizer.from_pretrained("seanghay/albert-khmer-small")
sp = spm.SentencePieceProcessor()
sp.load(tokenizer.vocab_file)

text = "ភ្នំពេញគឺជា[MASK]នៃប្រទេសកម្ពុជា។"
pieces = sp.encode_as_pieces(text)
ids = sp.encode_as_ids(text)
input_ids = torch.LongTensor([2] + ids + [3]).unsqueeze(0) # [CLS] + ids + [SEP]
attention_mask = torch.zeros_like(input_ids)

# Perform inference
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits

# Locate the [MASK] token and extract predictions
mask_token_index = torch.where(inputs.input_ids == tokenizer.mask_token_id)[1]
mask_token_logits = logits[0, mask_token_index, :]

top_5_tokens = torch.topk(mask_token_logits, 5, dim=1).indices[0].tolist()

print(f"Original text: {text}")
print(f"Decoded input text embedding (should match original text): {sp.decode_ids(input_ids.squeeze().tolist())})
for i, token_id in enumerate(top_5_tokens):
    predicted_token = tokenizer.decode([token_id])
    print(f"{i + 1}. {text.replace('[MASK]', predicted_token)}")

Training Data

The model was trained on a curated dataset of 13 Million Khmer sentences sourced from various domains including news, social media, and web crawls, ensuring the model captures both formal and colloquial Khmer nuances.

Technical Specifications

ParameterValue
hidden_size768
embedding_size128
num_hidden_layers12
num_attention_heads12
intermediate_size3072
max_position_embeddings512
vocab_size16,000

Why ALBERT for Khmer?

By using cross-layer parameter sharing, this model achieves a hidden size of 768 (similar to BERT-base) but with only ~9.42M parameters. This makes it significantly smaller and faster to load than standard BERT models while retaining strong linguistic representation capabilities.

Evaluation Results

The model demonstrates strong zero-shot capabilities in Khmer sentence completion as shown in the inference example.

Token RankPredicted WordFull Sentence
1បេះដូងភ្នំពេញគឺជាបេះដូងនៃប្រទេសកម្ពុជា។
2ទឹកដីភ្នំពេញគឺជាទឹកដីនៃប្រទេសកម្ពុជា។
3រាជធានីភ្នំពេញគឺជារាជធានីនៃប្រទេសកម្ពុជា។

@misc{seanghay2024albertkhmersmall,
  author = {Seanghay Yath},
  title = {ALBERT Khmer Small: An efficient ALBERT model for the Khmer language},
  year = {2024},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/seanghay/albert-khmer-small}},
  note = {11.9M parameters, trained on 13M Khmer sentences}
}

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
AlbertForMaskedLM
Ревизия весов
7ef51c0

0 моделей