/ Модель

Характеристики

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

phobert-large

Заполнение пропусковТекст → текст3 профессии

PhoBERT-large — модель RoBERTa с 468,2 млн параметров для заполнения маски и решения задач обработки вьетнамского языка.

8 094скачиваний за 30 дней14лайковвеса 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-large — предварительно обученная языковая модель для вьетнамского языка, разработанная Dat Quoc Nguyen и Anh Tuan Nguyen. Она основана на архитектуре RoBERTa и оптимизации процедуры предобучения BERT, предложенной RoBERTa. Модель содержит 468,2 млн параметров и предназначена для языковых задач на вьетнамском; в опубликованной работе показаны результаты для разметки частей речи, синтаксического анализа зависимостей, распознавания именованных сущностей и определения логического следования.

В этом репозитории представлена модель masked language modeling: она принимает текст с маскированным токеном и предсказывает его заполнение. Метаданные указывают контекст длиной 258 токенов, лицензию MIT и доступность весов в форматах PyTorch, TensorFlow и Flax. Для сегментации вьетнамских слов требуется соответствующая предварительная обработка. Модель предобучена для вьетнамского и может служить основой для дообучения под прикладные NLP-задачи; заявленные результаты относятся к опубликованным бенчмаркам и сами по себе не гарантируют качество в иных сценариях.

Сценарии применения

  • предсказание пропущенных слов во вьетнамском тексте
  • дообучение модели для распознавания именованных сущностей на вьетнамском
  • разметка частей речи во вьетнамском тексте после дообучения
  • синтаксический анализ зависимостей во вьетнамском после дообучения
  • определение логического следования во вьетнамских предложениях после дообучения

Ограничения

Модель ориентирована на вьетнамский язык; для обработки исходного текста необходима сегментация слов. Контекст ограничен 258 токенами, а результаты на других языках и вне упомянутых бенчмарков не установлены.

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
70e2cfc

0 моделей