/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
19 мая 2023

bert-base-japanese-v3

Языковая модель5 профессий

Предобученная японская BERT-модель для извлечения контекстных представлений и дообучения на задачах обработки японского текста.

36 102скачиваний за 30 дней65лайковвеса обновлены19 мая 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

BERT base Japanese v3 — предобученная модель семейства BERT от команды Tohoku NLP для работы с текстами на японском языке. Это базовая архитектура BERT: 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; модель содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch, TensorFlow и Flax, лицензия — Apache-2.0.

Модель обучена на японских частях CC-100 и Википедии. Текст токенизируется сначала с помощью MeCab и словаря Unidic 2.1.2, затем алгоритмом WordPiece; размер словаря — 32 768 токенов. Для задачи masked language modeling применялось маскирование целых слов. Чекпойнт подходит как основа для дообучения и извлечения контекстных представлений в японских NLP-сценариях.

Это модель для понимания текста, а не генеративный чат-ассистент: сама по себе она не предназначена для диалоговой генерации или непосредственного выполнения прикладных задач без соответствующей головы и дообучения. Её контекст ограничен 512 токенами, а обучение ориентировано на японский язык.

Сценарии применения

  • дообучение классификатора японских текстов
  • извлечение контекстных представлений японских слов и предложений
  • разметка сущностей в японском тексте после дообучения
  • оценка сходства японских текстов на основе эмбеддингов
  • создание японских NLP-моделей для предметной области

Ограничения

Модель ориентирована на японский язык и ограничена контекстом в 512 токенов. Для классификации, разметки сущностей и других прикладных задач требуется подходящая голова модели или дообучение.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BERT base Japanese (unidic-lite with whole word masking, CC-100 and jawiki-20230102)

This is a BERT model pretrained on texts in the Japanese language.

This version of the model processes input texts with word-level tokenization based on the Unidic 2.1.2 dictionary (available in unidic-lite package), followed by the WordPiece subword tokenization. Additionally, the model is trained with the whole word masking enabled for the masked language modeling (MLM) objective.

The codes for the pretraining are available at cl-tohoku/bert-japanese.

Model architecture

The model architecture is the same as the original BERT base model; 12 layers, 768 dimensions of hidden states, and 12 attention heads.

Training Data

The model is trained on the Japanese portion of CC-100 dataset and the Japanese version of Wikipedia. For Wikipedia, we generated a text corpus from the Wikipedia Cirrussearch dump file as of January 2, 2023. The corpus files generated from CC-100 and Wikipedia are 74.3GB and 4.9GB in size and consist of approximately 392M and 34M sentences, respectively.

For the purpose of splitting texts into sentences, we used fugashi with mecab-ipadic-NEologd dictionary (v0.0.7).

Tokenization

The texts are first tokenized by MeCab with the Unidic 2.1.2 dictionary and then split into subwords by the WordPiece algorithm. The vocabulary size is 32768.

We used fugashi and unidic-lite packages for the tokenization.

Training

We trained the model first on the CC-100 corpus for 1M steps and then on the Wikipedia corpus for another 1M steps. For training of the MLM (masked language modeling) objective, we introduced whole word masking in which all of the subword tokens corresponding to a single word (tokenized by MeCab) are masked at once.

For training of each model, we used a v3-8 instance of Cloud TPUs provided by TPU Research Cloud.

Licenses

The pretrained models are distributed under the Apache License 2.0.

Acknowledgments

This model is trained with Cloud TPUs provided by TPU Research Cloud program.

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
BertForPreTraining
Ревизия весов
65243d6

0 моделей