/ Модель

Характеристики

Контекст
512 токенов
Параметры
142 млн
Лицензия
MIT
Архитектура
albert · dense
Базовая модель
albert-base-v2
Библиотека
transformers
Опубликована
29 сен 2026

albert-base-v2-persian-zwnj-shiraz-mlm

Заполнение пропусковТекст → текст3 профессии

Персидская модель ALBERT для восстановления замаскированных слов с учётом написания ZWNJ.

37скачиваний за 30 дней0лайковвеса обновлены29 сен 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

Это дообученная модель ALBERT-base-v2 для персидского языка, созданная shekar-ai. Она восстанавливает пропущенные слова по контексту и подходит для дальнейшего дообучения. Модель использует архитектуру ALBERT с 142,4 млн параметров и SentencePiece-токенизатором на 38 016 токенов, обученным заново для этой версии. Токенизатор сохраняет персидский полупробел ZWNJ как отдельный токен. Максимальная длина входа — 512 токенов; обучение проводилось на персидском корпусе Shiraz и англоязычной Википедии.

Модель предназначена прежде всего для заполнения маски в персидских текстах. Английский язык присутствовал в обучающих данных, однако его возможности ограничены и не проверены всесторонними тестами. Чекпойнт не обучался для получения эмбеддингов предложений и не проходил сравнительной оценки качества; предсказания могут быть неточными или отражать смещения обучающих данных. Для персидского текста README рекомендует предварительную нормализацию с помощью shekar.Normalizer. Лицензия — MIT.

Сценарии применения

  • подстановка пропущенного слова в персидском предложении
  • подбор вероятных продолжений персидской фразы
  • анализ контекстного употребления персидских слов
  • дообучение персидской языковой модели для задач с маскированными токенами

Ограничения

Английские возможности ограничены и не проверены всесторонними тестами; качество предсказаний может быть неточным и зависеть от смещений обучающих данных. Модель не обучалась и не оценивалась как модель эмбеддингов предложений.

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

Persian ZWNJ-aware ALBERT MLM

ALBERT-base-v2 adapted to Persian with a freshly trained 38,016-token SentencePiece unigram tokenizer. English Wikipedia supplies additional English text. ZWNJ (U+200C, Persian half-space) is preserved as a standalone token, ID 5. Maximum input length: 512 tokens.

Training

Initialized from albert/albert-base-v2, with word embeddings and the tied vocabulary head reinitialized for the new vocabulary. Trained with 15% masked-language modeling on normalized shekar-ai/Shiraz and English Wikipedia (target 10% of corpus characters). Persian text is normalized with shekar.Normalizer before tokenization; the tokenizer itself only normalizes whitespace. The tokenizer was trained from up to 6 million sampled corpus lines.

Released checkpoint: 134,000 optimizer steps, 2.20 epochs, stopped early as validation gains diminished. Effective batch size 128, BF16, two RTX A6000 GPUs. The training dataset contains 7,794,452 examples: 75% packed 512-token blocks and 25% natural 8–64-token sentences. Natural short sentences stay intact; 10% of long blocks are randomly cropped. Sentence-content hashes separate train/eval before packing; this is sentence-level, not document-level separation.

Held-out MLM loss at the released checkpoint (lower is better):

Full blocksNatural short sentences64-token crops
2.3592.4222.591

Usage

from transformers import pipeline
from shekar import Normalizer

fill = pipeline(
    "fill-mask",
    model="shekar-ai/albert-base-v2-persian-zwnj-shiraz-mlm",
    device=-1,  # CPU
)
text = Normalizer()("سلام بر تو ای") + " [MASK]"
print(fill(text, top_k=5))

Install torch, transformers, and shekar for this example. Use [MASK] (uppercase). Each mask predicts one tokenizer token, which may be a word piece.

Compatibility and limitations

Tested with Transformers 4.57.6 / tokenizers 0.22.2 and Transformers 5.17.0 / tokenizers 0.23.2: identical token IDs on the test texts, tokenizer save/reload, preserved ZWNJ, tied embeddings, and finite CPU outputs at 8, 64, 511, and 512 tokens. See compatibility.json. No custom model code or trust_remote_code is required.

This is an MLM checkpoint for fill-mask and further fine-tuning. It has not yet been contrastively trained or benchmarked as a sentence embedding model. Predictions can be inaccurate or reflect corpus biases; English capability is limited and has not been established by a comprehensive benchmark.

License

This adapted checkpoint and fresh tokenizer are released under the MIT License (see LICENSE). The original ALBERT base is Apache-2.0 licensed; its license is included in LICENSE.base-albert. Original upstream rights and notices remain applicable to the base components.

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
9b2ce2f

0 моделей