/ Модель

Характеристики

Контекст
258 токенов
Параметры
162 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
2 мар 2022

phobert-base

Заполнение пропусковТекст → текст3 профессии

PhoBERT-base — вьетнамская RoBERTa-модель для предсказания замаскированных токенов и адаптации к задачам обработки вьетнамского языка.

66 069скачиваний за 30 дней73лайкавеса обновлены3 авг 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

PhoBERT-base — предварительно обученная языковая модель для вьетнамского языка, разработанная Дат Куок Нгуеном и Ань Туан Нгуеном. Это версия base семейства PhoBERT, построенная на архитектуре RoBERTa и обученная по улучшенной процедуре BERT. Модель содержит 162,4 млн параметров и рассчитана на контекст до 258 токенов.

Основная задача модели в Hugging Face — предсказание замаскированных токенов. PhoBERT также предназначена для адаптации к вьетнамским NLP-задачам, включая разметку частей речи, синтаксический анализ зависимостей, распознавание именованных сущностей и вывод по естественному языку. По заявлению авторов, модель показала лучшие результаты на этих задачах по сравнению с предшествующими вьетнамскими и многоязычными подходами. Доступны реализации для PyTorch, TensorFlow и JAX/Flax.

Модель поддерживает вьетнамский язык и распространяется по лицензии MIT. Для прикладных задач её следует дообучать или подключать соответствующую задаче модельную голову; README указывает, что PhoBERT имеет ключевые ограничения, рассмотренные авторами в работе о последующей модели BamiBERT, но конкретизирует их только применительно к обработке входа и длине контекста этой альтернативы.

Сценарии применения

  • восстановление замаскированных слов во вьетнамском тексте
  • дообучение для разметки частей речи на вьетнамском языке
  • дообучение для распознавания именованных сущностей на вьетнамском языке
  • дообучение для синтаксического анализа зависимостей
  • дообучение для вывода по естественному языку на вьетнамском

Ограничения

Контекст модели ограничен 258 токенами. Для прикладных задач разметки и анализа требуется подходящая задача-ориентированная голова или 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

PhoBERT: Pre-trained language models for Vietnamese

Pre-trained PhoBERT models are the state-of-the-art language models for Vietnamese (Pho, i.e. "Phở", is a popular food in Vietnam):

  • Two PhoBERT versions of "base" and "large" are the first public large-scale monolingual language models pre-trained for Vietnamese. PhoBERT pre-training approach is based on RoBERTa which optimizes the BERT pre-training procedure for more robust performance.
  • PhoBERT outperforms previous monolingual and multilingual approaches, obtaining new state-of-the-art performances on four downstream Vietnamese NLP tasks of Part-of-speech tagging, Dependency parsing, Named-entity recognition and Natural language inference.

The general architecture and experimental results of PhoBERT can be found in our EMNLP-2020 Findings paper:

@article{phobert,
title     = {{PhoBERT: Pre-trained language models for Vietnamese}},
author    = {Dat Quoc Nguyen and Anh Tuan Nguyen},
journal   = {Findings of EMNLP},
year      = {2020}
}

Please CITE our paper when PhoBERT is used to help produce published results or is incorporated into other software.

Users may also want to use BamiBERT, our new BERT-based pretrained language model for Vietnamese that addresses key limitations of PhoBERT. Trained from scratch on a 129 GB corpus of general-domain Vietnamese text for 20 epochs, BamiBERT supports an extended context length of up to 2,048 tokens and operates directly on raw input, eliminating the need for external word segmentation. Across eight Vietnamese benchmarks, it achieves the best performance on 11 of 15 metrics and the second-best performance on three others, setting a new state of the art among "base"-sized Vietnamese encoders and demonstrating strong cross-domain generalization.

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
RobertaForMaskedLM
Ревизия весов
01daacd

0 моделей