Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Базовая модель: bert_mn
Опубликована: 4 авг 2024

Ссылки

Hugging Face

bert-base-mongolian-uncased

tergel

Заполнение пропусковТекст → текст3 профессии

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

14скачиваний за 30 дней0лайковвеса обновлены8 ноя 2024

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

tergel/bert-base-mongolian-uncased — дообученная модель семейства BERT для заполнения пропусков в тексте на монгольском языке. Она использует архитектуру BertForMaskedLM, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Карточка сообщает о потере 2,2973 на оценочном наборе, но не описывает сам набор или методику оценки.

Модель подходит для предсказания замаскированных слов и языковых экспериментов с монгольским текстом. Данные о лицензии и дополнительных условиях использования в доступных сведениях отсутствуют.

Сценарии применения

заполнение пропусков в монгольских предложениях
предсказание подходящего слова вместо маски
языковые эксперименты с монгольским текстом

Ограничения

README не содержит сведений о тренировочных данных, методике оценки или практических ограничениях; приведена только оценочная потеря 2,2973. Лицензия в доступных данных не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_mn

This model is a fine-tuned version of tergel/bert_mn on the None dataset. It achieves the following results on the evaluation set:

Loss: 2.2973

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: 8e-05
train_batch_size: 256
eval_batch_size: 512
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	Validation Loss
2.5775	1.0	577	2.5137
2.5628	2.0	1154	2.4950
2.5396	3.0	1731	2.4834
2.5172	4.0	2308	2.4643
2.4969	5.0	2885	2.4481
2.4754	6.0	3462	2.4253
2.4578	7.0	4039	2.4195
2.4403	8.0	4616	2.4009
2.4216	9.0	5193	2.3863
2.4075	10.0	5770	2.3794
2.3927	11.0	6347	2.3640
2.3787	12.0	6924	2.3516
2.365	13.0	7501	2.3403
2.3546	14.0	8078	2.3344
2.3423	15.0	8655	2.3268
2.3336	16.0	9232	2.3171
2.3265	17.0	9809	2.3149
2.3168	18.0	10386	2.3049
2.312	19.0	10963	2.3032
2.3047	20.0	11540	2.2973

Framework versions

Transformers 4.44.0
Pytorch 2.4.0+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: c16104b