Характеристики

Контекст: 512 токенов
Параметры: 205 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 4 июн 2023

Ссылки

Hugging Face

bert-base-multilingual-cased-Confusion-mlm-20230603

soBeauty

Заполнение пропусковТекст → текст

Дообученная многоязычная BERT-модель для предсказания замаскированных слов в тексте.

138скачиваний за 30 дней0лайковвеса обновлены5 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

soBeauty/bert-base-multilingual-cased-Confusion-mlm-20230603 — дообученная модель BERT для заполнения пропусков в тексте. Она основана на bert-base-multilingual-cased и использует архитектуру BertForMaskedLM; модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Подходит для восстановления замаскированных слов и оценки вариантов заполнения в многоязычном тексте.

Модель разработал пользователь soBeauty; README указывает, что она дообучена на неизвестном наборе данных. На оценочной выборке приведены accuracy 0,5723 и loss 1,7609, однако описание набора данных и методики оценки отсутствует. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

восстановление пропущенного слова в предложении
подбор вероятного заполнения маски в многоязычном тексте
оценка вариантов слова в заданном контексте

Ограничения

Данные для дообучения неизвестны, а README не описывает методику оценки; приведённые метрики сами по себе не позволяют судить о качестве на конкретных языках и задачах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-multilingual-cased-Confusion-mlm-20230603

This model is a fine-tuned version of bert-base-multilingual-cased on an unknown dataset. It achieves the following results on the evaluation set:

Accuracy: 0.5723
Loss: 1.7609

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20

Training results

Training Loss	Epoch	Step	Accuracy	Validation Loss
3.2882	1.0	130	0.3554	2.9429
2.8803	2.0	260	0.3761	2.6740
2.6044	3.0	390	0.4656	2.2735
2.3907	4.0	520	0.4721	2.3350
2.2612	5.0	650	0.5242	2.0715
2.1133	6.0	780	0.4984	2.1209
2.1048	7.0	910	0.4960	2.0021
1.9521	8.0	1040	0.5224	2.2426
1.9255	9.0	1170	0.5472	1.8786
1.8923	10.0	1300	0.5364	1.9918
1.8296	11.0	1430	0.4738	2.2351
1.7689	12.0	1560	0.5028	2.0691
1.736	13.0	1690	0.5794	1.9221
1.7639	14.0	1820	0.5252	2.0188
1.6555	15.0	1950	0.6012	1.6560
1.6019	16.0	2080	0.5935	1.6369
1.5524	17.0	2210	0.6226	1.6262
1.5182	18.0	2340	0.6211	1.7780
1.5537	19.0	2470	0.5616	1.9577
1.5651	20.0	2600	0.5723	1.7609

Framework versions

Transformers 4.29.2
Pytorch 2.0.1+cu118
Datasets 2.12.0
Tokenizers 0.13.3

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForMaskedLM
Ревизия весов: fbd8edd