/ Модель

Характеристики

Параметры
365 млн
Лицензия
Apache 2.0
Архитектура
t5 · dense
Опубликована
2 мар 2022

byt5-small-multilexnorm2021-es

Языковая модель3 профессии

Испанская версия ByT5-small для нормализации неформальных и шумных словоформ в текстах социальных сетей.

23скачиваний за 30 дней1лайквеса обновлены21 июн 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

ufal/byt5-small-multilexnorm2021-es — официальная испаноязычная версия ByT5-small, дообученная командой UFAL для нормализации лексики в рамках соревнования W-NUT 2021 MultiLexNorm. Модель преобразует отдельные токены с неформальными или шумными написаниями в нормализованную форму; она обучалась на синтетических данных, а затем на примерах нормализации из MultiLexNorm. В карточке заявлены лучшие результаты среди участников соревнования во внутренней оценке и оценке по влиянию на синтаксический разбор зависимостей.

Модель построена на байтовой архитектуре encoder-decoder ByT5 — варианте T5 без токенизатора, который работает с байтовыми представлениями текста и подходит для шумных текстовых данных. Размер — 364,6 млн параметров. Она рассчитана на испанский язык и формат «токен на входе — нормализованный токен на выходе», а не на стандартное преобразование целых предложений. Доступна под лицензией Apache-2.0. Для применения следует учитывать специализированный формат входных данных и сценарий использования, описанные для MultiLexNorm.

Сценарии применения

  • нормализация искажённых слов в испанских сообщениях
  • приведение сокращений и сленга к стандартному написанию
  • предобработка испанских публикаций из социальных сетей
  • нормализация токенов перед синтаксическим разбором

Ограничения

Модель обучена для токен-к-токену нормализации MultiLexNorm, поэтому её нельзя без адаптации использовать как стандартную модель преобразования предложений. Специализирована на испанском языке.

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

Fine-tuned ByT5-small for MultiLexNorm (Spanish version)

model image

This is the official release of the fine-tuned models for the winning entry to the W-NUT 2021: Multilingual Lexical Normalization (MultiLexNorm) shared task, which evaluates lexical-normalization systems on 12 social media datasets in 11 languages.

Our system is based on ByT5, which we first pre-train on synthetic data and then fine-tune on authentic normalization data. It achieves the best performance by a wide margin in intrinsic evaluation, and also the best performance in extrinsic evaluation through dependency parsing. In addition to these fine-tuned models, we also release the source files on GitHub and an interactive demo on Google Colab.

How to use

The model was not fine-tuned in a standard sentence-to-sentence setting – instead, it was tailored to the token-to-token definition of MultiLexNorm data. Please refer to the interactive demo on Colab notebook to learn how to use these models.

How to cite

@inproceedings{wnut-ufal,
  title= "{ÚFAL} at {MultiLexNorm} 2021: Improving Multilingual Lexical Normalization by Fine-tuning {ByT5}",
  author = "Samuel, David and Straka, Milan",
  booktitle = "Proceedings of the 7th Workshop on Noisy User-generated Text (W-NUT 2021)",
  year = "2021",
  publisher = "Association for Computational Linguistics",
  address = "Punta Cana, Dominican Republic"
}

ByT5 - Small

ByT5 is a tokenizer-free version of Google's T5 and generally follows the architecture of MT5.

ByT5 was only pre-trained on mC4 excluding any supervised training with an average span-mask of 20 UTF-8 characters. Therefore, this model has to be fine-tuned before it is useable on a downstream task.

ByT5 works especially well on noisy text data,e.g., google/byt5-small significantly outperforms mt5-small on TweetQA.

Paper: ByT5: Towards a token-free future with pre-trained byte-to-byte models

Authors: Linting Xue, Aditya Barua, Noah Constant, Rami Al-Rfou, Sharan Narang, Mihir Kale, Adam Roberts, Colin Raffel

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
T5ForConditionalGeneration
Ревизия весов
a189568

0 моделей