/ Модель

Характеристики

Контекст
512 токенов
Параметры
127 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
3 сен 2023

nuha-ajp-mlm

Заполнение пропусковТекст → текст3 профессии

Арабская BERT-модель, обученная с нуля на комментариях из иорданских социальных сетей для заполнения пропусков и адаптации под последующие NLP-задачи.

27скачиваний за 30 дней0лайковвеса обновлены30 июн 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

nuha-ajp-mlm — арабская модель BERT, разработанная Jordan Open Source Association (JOSA) в рамках пилотного proof-of-concept проекта NUHA. Она обучена с нуля методом masked language modeling на тексте комментариев из иорданских социальных сетей и предназначена для предсказания замаскированных токенов, а также для дообучения под последующие задачи NLP, особенно для неформального иорданского и левантийского арабского языка.

Модель содержит 126,7 млн параметров, имеет контекст до 512 токенов и словарь из 17 513 токенов, созданный специально по корпусу NUHA. Она может служить базой для классификаторов NUHA для выявления языка ненависти и гендерного насилия. Распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Узкая доменная специализация помогает учитывать лексику и особенности иорданских комментариев, но ограничивает перенос на другие варианты арабского языка. Корпус относительно мал и включает оскорбительные и вредоносные высказывания, поэтому модель может воспроизводить содержащиеся в данных смещения; она не предназначена для универсального арабского NLP, перевода или суммаризации.

Сценарии применения

  • предсказание замаскированных слов в иорданских арабских комментариях
  • дообучение классификатора на арабских сообщениях из социальных сетей
  • создание моделей для выявления языка ненависти в иорданских комментариях
  • дообучение моделей для обнаружения гендерного насилия в арабском тексте

Ограничения

Обучение проводилось на относительно небольшом корпусе комментариев преимущественно на иорданском арабском; качество для других диалектов и литературного арабского не гарантируется. Данные содержат оскорбительные и вредоносные высказывания, а модель не предназначена для универсальных задач вроде перевода или суммаризации.

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

nuha-ajp-mlm

Model Summary

nuha-ajp-mlm is an Arabic BERT model pre-trained from scratch on Jordanian social media text using masked language modelling (MLM). It serves as the domain-adapted base for the NUHA classifier family — nuha-ajp-binary and nuha-ajp-trinary — and was developed as part of a pilot proof-of-concept for the NUHA project by the Jordan Open Source Association (JOSA).

Starting from a fresh vocabulary trained on the NUHA corpus rather than fine-tuning an existing Arabic BERT, the model is adapted to the vocabulary and linguistic patterns of colloquial Jordanian Arabic social media text.

Uses

Direct Use

nuha-ajp-mlm can be used for masked token prediction on Arabic social media text, or as a base model for fine-tuning downstream Arabic NLP tasks — particularly those involving informal Jordanian or Levantine Arabic.

from transformers import pipeline

fill_mask = pipeline("fill-mask", model="thejosango/nuha-ajp-mlm")
results = fill_mask("هذه المرأة [MASK] جداً")
for r in results:
    print(r["token_str"], r["score"])

Downstream Use

The primary intended downstream use is fine-tuning for hate speech and gender-based violence detection using the NUHA dataset, as demonstrated by nuha-ajp-binary and nuha-ajp-trinary.

Out-of-Scope Use

This model was pre-trained on a relatively small, domain-specific corpus of Jordanian social media comments. It is not suitable as a general-purpose Arabic language model and should not be used as a replacement for models trained on broader Arabic corpora (e.g. for MSA tasks, translation, or summarisation).

Bias, Risks, and Limitations

  • Corpus bias: The pre-training corpus consists entirely of social media comments, many of which contain offensive or harmful language. The model may reflect biases present in that content.
  • Dialect coverage: The corpus is primarily Jordanian Arabic. Performance on other Arabic dialects or Modern Standard Arabic is not guaranteed.
  • Pilot scale: As part of an initial proof-of-concept effort, the pre-training corpus size and training duration are modest. A larger corpus and longer training would likely yield a stronger base model.
  • Vocabulary size: The tokenizer vocabulary (17,513 tokens) was trained specifically on this corpus and is much smaller than general Arabic BERT vocabularies.

Training Details

Training Data

Pre-trained on the text portion of the thejosango/nuha-ajp-dataset — a corpus of Arabic social media comments collected from Jordanian platforms. The binary dataset split was used for pre-training (text only, labels ignored).

Training Procedure

  • Architecture: BERT (BertForMaskedLM), 12 layers, 12 attention heads, 768 hidden size
  • Vocabulary: Custom BPE tokenizer trained from scratch on the corpus (17,513 tokens), with [URL] as an added special token
  • MLM probability: 15%
  • Optimizer: Adam (β₁=0.9, β₂=0.999, ε=1e-8)
  • Learning rate: 1e-4 with linear schedule, 5,000 warmup steps
  • Batch size: 128
  • Epochs: 25
  • Framework: Transformers 4.32.1, PyTorch 2.0.1

Training Results

EpochValidation Loss
18.435
57.296
106.499
156.118
205.863
255.788

This model was developed as part of an initial pilot study. It is intended as a stepping stone for the downstream NUHA classifiers rather than as a general-purpose Arabic language model.

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
c428710

0 моделей