/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
MIT
Архитектура
roberta · dense
Опубликована
2 мар 2022

sundanese-roberta-base

Заполнение пропусковТекст → текст3 профессии

RoBERTa-модель для сунданского языка, которая предсказывает пропущенные слова и извлекает контекстные признаки из текста.

1 468скачиваний за 30 дней2лайкавеса обновлены20 июл 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

Sundanese RoBERTa Base — маскированная языковая модель RoBERTa, обученная с нуля Wilson Wongso для текстов на сунданском языке. Она предназначена для заполнения пропусков в тексте и извлечения контекстных признаков; для обучения использованы сунданские подмножества OSCAR, mC4 и CC100, а также сунданская Википедия.

Модель имеет архитектуру RoBERTa для masked language modeling. В метаданных указано 151,8 млн параметров и контекст до 514 токенов; README приводит оценку 124 млн параметров. Обучение проводилось во Flax, доступны форматы Flax, PyTorch и safetensors. На отложенной выборке автор сообщает loss 1,952 и точность 63,98%.

Модель подходит для языкового анализа и извлечения признаков из сунданских текстов, но не является генеративным чат-ботом. Результаты могут отражать смещения обучающих корпусов. Лицензия — MIT.

Сценарии применения

  • Подстановка пропущенного слова в сунданском предложении
  • Извлечение контекстных признаков из сунданского текста
  • Оценка языковых представлений для сунданских текстов

Ограничения

Качество может зависеть от смещений корпусов OSCAR, mC4, CC100 и Википедии. README и метаданные приводят разные оценки размера: 124 млн и 151,8 млн параметров.

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

Sundanese RoBERTa Base

Sundanese RoBERTa Base is a masked language model based on the RoBERTa model. It was trained on four datasets: OSCAR's unshuffled_deduplicated_su subset, the Sundanese mC4 subset, the Sundanese CC100 subset, and Sundanese Wikipedia.

10% of the dataset is kept for evaluation purposes. The model was trained from scratch and achieved an evaluation loss of 1.952 and an evaluation accuracy of 63.98%.

This model was trained using HuggingFace's Flax framework. All necessary scripts used for training could be found in the Files and versions tab, as well as the Training metrics logged via Tensorboard.

Model

Model#paramsArch.Training/Validation data (text)
sundanese-roberta-base124MRoBERTaOSCAR, mC4, CC100, Wikipedia (758 MB)

Evaluation Results

The model was trained for 50 epochs and the following is the final result once the training ended.

train lossvalid lossvalid accuracytotal time
1.9651.9520.63986:24:51

How to Use

As Masked Language Model

from transformers import pipeline

pretrained_name = "w11wo/sundanese-roberta-base"

fill_mask = pipeline(
    "fill-mask",
    model=pretrained_name,
    tokenizer=pretrained_name
)

fill_mask("Budi nuju <mask> di sakola.")

Feature Extraction in PyTorch

from transformers import RobertaModel, RobertaTokenizerFast

pretrained_name = "w11wo/sundanese-roberta-base"
model = RobertaModel.from_pretrained(pretrained_name)
tokenizer = RobertaTokenizerFast.from_pretrained(pretrained_name)

prompt = "Budi nuju diajar di sakola."
encoded_input = tokenizer(prompt, return_tensors='pt')
output = model(**encoded_input)

Disclaimer

Do consider the biases which came from all four datasets that may be carried over into the results of this model.

Author

Sundanese RoBERTa Base was trained and evaluated by Wilson Wongso.

Citation Information

@article{rs-907893,
    author   = {Wongso, Wilson
                and Lucky, Henry
                and Suhartono, Derwin},
    journal  = {Journal of Big Data},
    year     = {2022},
    month    = {Feb},
    day      = {26},
    abstract = {The Sundanese language has over 32 million speakers worldwide, but the language has reaped little to no benefits from the recent advances in natural language understanding. Like other low-resource languages, the only alternative is to fine-tune existing multilingual models. In this paper, we pre-trained three monolingual Transformer-based language models on Sundanese data. When evaluated on a downstream text classification task, we found that most of our monolingual models outperformed larger multilingual models despite the smaller overall pre-training data. In the subsequent analyses, our models benefited strongly from the Sundanese pre-training corpus size and do not exhibit socially biased behavior. We released our models for other researchers and practitioners to use.},
    issn     = {2693-5015},
    doi      = {10.21203/rs.3.rs-907893/v1},
    url      = {https://doi.org/10.21203/rs.3.rs-907893/v1}
}

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
e52cb5d

0 моделей