/ Модель

Характеристики

Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
xlnet · dense
Опубликована
2 мар 2022

xlnet-hongkongese-base

Генерация текстаТекст → текст3 профессии

Базовая XLNet для генерации текста на материалах Гонконга и дальнейшего дообучения с учётом местного употребления китайского языка.

81скачиваний за 30 дней7лайковвеса обновлены2 авг 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 «Текст» — 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

toastynews/xlnet-hongkongese-base — базовая модель XLNet, обученная разработчиком на корпусе преимущественно из Гонконга. Она предназначена для генерации текста и дальнейшего дообучения под прикладные задачи, где важно учитывать употребление языка в Гонконге; карточка описывает её как альтернативу моделям для стандартного китайского. В архитектуре используется XLNetLMHeadModel; размер — 137,8 млн параметров. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Корпус включает гонконгский кантонский (Yue), стандартный китайский и английский; значительная часть данных взята из новостных статей и блогов.

Модель может быть полезна для генерации текста и последующей адаптации к задачам на материалах Гонконга. По оценке автора, она уступает GPT-2 в генерации, а меньший объём Yue Wikipedia ограничивает широту знаний по сравнению с моделями для китайского языка. Корпус преимущественно формальный, поэтому возможен уклон в сторону формального стиля. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста в стиле новостей и блогов Гонконга
  • продолжение текста на кантонском языке Yue
  • дообучение языковой модели для задач на гонконгских текстах

Ограничения

Знания модели ограничены сравнительно небольшим объёмом Yue Wikipedia, а обучающие данные преимущественно отражают формальный стиль новостей и блогов. По оценке автора, качество генерации ниже, чем у GPT-2; для прикладных задач требуется дообучение.

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

XLNet Hongkongese Base

Model description

XLNet 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. It can also be used to generate text.

Limitations and bias

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

For text generation, like other XLNet models, a longer context will help generate better text. Overall result is not as good as GPT-2.

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 Size32
Max Sequence Size512
Vocab Size32000

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
Chinese82.8 / 91.879.870.772.0 / 78.9*
Hongkongese76.1 / 76.181.469.566.7 / 87.3*

* With the default of 3 epoches, 6 of 10 Chinese finetuned models have accuracy of 66.7 (always negative baseline). All Hongkongese finetuned models have accuracy of 66.7. The * values are the accuracy after 24 epoches.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLNetLMHeadModel
Ревизия весов
26250a2

0 моделей