/ Модель

Характеристики

Контекст
512 токенов
Параметры
170 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Опубликована
15 сен 2022

LaBSE-en-ru-myv-v1

ЭмбеддингиТекст → embedding4 профессии

Энкодер предложений на основе LaBSE для получения эмбеддингов и сопоставления текстов на эрзянском и русском языках.

155скачиваний за 30 дней0лайковвеса обновлены11 мая 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

slone/LaBSE-en-ru-myv-v1 — энкодер предложений для эрзянского языка, созданный на основе sentence-transformers/LaBSE и дообученный на корпусе slone/myv_ru_2022. Модель имеет архитектуру BERT, содержит 170,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. В словарь добавлены токены эрзянского языка, а набор токенов английского и русского сокращён до наиболее популярных.

Модель предназначена для получения векторных представлений предложений на эрзянском и русском языках, сопоставления параллельных предложений и предсказания замаскированных токенов эрзянского текста. Обучение сочетало дистилляцию межъязыковых эмбеддингов исходной LaBSE на параллельном корпусе ru-myv, masked language modelling на эрзянских данных и классификацию пар предложений. Эмбеддинги можно применять для задач NLU или дообучать модель под конкретную задачу. Распространяется по лицензии CC BY-SA 4.0.

Сценарии применения

  • получение эмбеддингов эрзянских предложений
  • поиск соответствующих переводов между эрзянским и русским
  • сопоставление эрзянских и русских предложений по смыслу
  • предсказание замаскированных слов в эрзянском тексте
  • создание признаков для downstream-задач NLU на эрзянском

Ограничения

Контекст ограничен 512 токенами; словарь английского и русского сокращён, поэтому охват этих языков ограничен. Для конкретных прикладных задач NLU может потребоваться дополнительное дообучение.

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

This is an Erzya (myv, cyrillic script) sentence encoder from the paper The first neural machine translation system for the Erzya language.

It is based on sentence-transformers/LaBSE (license here), but with updated vocabulary and checkpoint:

  • Removed all tokens except the most popular ones for English or Russian;
  • Added extra tokens for Erzya language;
  • Fine-tuned on the slone/myv_ru_2022 corpus using a mixture of tasks:
    • Cross-lingual distillation of sentence embeddings from the original LaBSE model, using the parallel ru-myv corpus;
    • Masked language modelling on myv monolingual data;
    • Sentence pair classification to distinguish correct ru-myv translations from random pairs.

The model can be used as a sentence encoder or a masked language modelling predictor for Erzya, or fine-tuned for any downstream NLU dask.

Sentence embeddings can be produced with the code below:

import torch
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("slone/LaBSE-en-ru-myv-v1")
model = AutoModel.from_pretrained("slone/LaBSE-en-ru-myv-v1")
sentences = ["Hello World", "Привет Мир", "Шумбратадо Мастор"]
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
   model_output = model(**encoded_input)
embeddings = model_output.pooler_output
embeddings = torch.nn.functional.normalize(embeddings)
print(embeddings.shape)  # torch.Size([3, 768])

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForPreTraining
Ревизия весов
201d591

0 моделей