/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
electra · dense
Опубликована
2 мар 2022

electra-hongkongese-base-discriminator

Языковая модель3 профессии

Базовая ELECTRA-модель, обученная преимущественно на гонконгском корпусе, для дообучения под задачи обработки кантонского языка и китайского в контексте Гонконга.

16скачиваний за 30 дней2лайкавеса обновлены25 фев 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

toastynews/electra-hongkongese-base-discriminator — базовая модель ELECTRA, обученная разработчиком ToastyNews на корпусе из Гонконга. Она предназначена для последующего дообучения под задачи обработки гонконгского варианта кантонского языка (Yue), а также стандартного китайского и английского. Модель содержит 136,3 млн параметров, использует архитектуру ELECTRA с дискриминатором для предобучения и поддерживает контекст до 512 токенов; доступны веса PyTorch и TensorFlow.

Корпус включает около 507 млн символов: новости и блоги, Yue Wikipedia и другие источники, отзывы о ресторанах. В его языковом составе около 62% стандартного китайского, 30% гонконгского и 8% английского. В сравнительных оценках модель показала лучшие результаты, чем использованная китайская модель, на задачах тональности отзывов, категоризации и семантического сходства, а китайская модель была сильнее на DRCD. Лицензия — Apache-2.0.

Это базовый чекпойнт, поэтому для прикладных задач требуется дообучение. Знания о мире могут быть уже, чем у моделей, обученных на более обширных китайских корпусах; данные преимущественно из новостей и блогов могут смещать ответы в сторону формального языка.

Сценарии применения

  • дообучение классификатора тональности гонконгских отзывов
  • категоризация сообщений на гонконгском кантонском языке
  • оценка семантического сходства фраз на Yue
  • дообучение модели для ответов на вопросы по китайским текстам
  • извлечение признаков из гонконгских текстов для прикладных NLP-задач

Ограничения

Это базовая модель, и для downstream-задач её нужно дообучать. Объём знаний может быть уже, чем у моделей, обученных на более крупных китайских корпусах; преобладание новостей и блогов может давать смещение в сторону формального языка.

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

ELECTRA Hongkongese Base

Model description

ELECTRA trained exclusively with data from Hong Kong. A signaficant amount of Hongkongese/Cantonese/Yue is included in the training data.

Intended uses & limitations

This model is an alternative to Chinese models. It may offer better performance for tasks catering to the langauge usage of Hong Kongers. Yue Wikipedia is used which is much smaller than Chinese Wikipedia; this model will lack the breath of knowledge compared to other Chinese models.

How to use

This is the base model trained from the official repo. Further finetuning will be needed for use on downstream tasks. Other model sizes are also available.

Limitations and bias

The training data consists of mostly news articles and blogs. There is probably a bias towards formal language usage.

Training data

The following is the list of data sources. Total characters is about 507M.

Data%
News Articles / Blogs58%
Yue Wikipedia / EVCHK18%
Restaurant Reviews12%
Forum Threads12%
Online Fiction1%

The following is the distribution of different languages within the corpus.

Language%
Standard Chinese62%
Hongkongese30%
English8%

Training procedure

Model was trained on a single TPUv3 from the official repo with the default parameters.

ParameterValue
Batch Size256
Max Sequence Size512
Vocab Size30000

Research supported with Cloud TPUs from Google's TensorFlow Research Cloud (TFRC)

Eval results

Average evaluation task results over 10 runs. Comparison using the original repo model and code. Chinese models are available from Joint Laboratory of HIT and iFLYTEK Research (HFL)

ModelDRCD (EM/F1)openrice-sentilihkg-catwordshk-sem
Chinese86.6 / 91.779.167.488.1
Hongkongese83.0 / 89.681.570.090.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ElectraForPreTraining
Ревизия весов
f1f6bb4

0 моделей