roberta-base-bne

roberta-base-bne 项目介绍

项目概述

roberta-base-bne 是一种基于西班牙语的变压器架构掩码语言模型。它基于 RoBERTa 基础模型，使用西班牙国家图书馆从 2009 年到 2019 年进行的网络抓取数据进行预训练。该模型专注于填补文本中的空白（fill-mask）任务，是目前拥有最大规模的西班牙语语料库，处理后的净文本总共达 570GB。

模型描述

roberta-base-bne 模型是一个适用于西班牙语的掩码语言模型。它经过了大规模的西班牙语数据训练，数据来自西班牙国家图书馆的互联网抓取。这些数据经过清理和去重处理，确保了高质量的输入用于模型训练。模型能够在文本中预测缺失的词语或短语，非常适合填补空白等任务。此外，该模型可以进一步用于问题解答、文本分类和命名实体识别等非生成性下游任务。

使用说明

要使用 roberta-base-bne 模型，可以通过以下Python代码示例进行尝试：

from transformers import pipeline
from pprint import pprint

unmasker = pipeline('fill-mask', model='PlanTL-GOB-ES/roberta-base-bne')
pprint(unmasker("Gracias a los datos de la BNE se ha podido <mask> este modelo del lenguaje."))

该代码片段展示了如何使用模型填补文本中的空白。此外，用户还可以通过 PyTorch 获取给定文本的特征。

限制与偏见

目前尚未对模型中可能存在的偏见和毒性进行系统评估。然而，由于语料是从多个网络来源抓取的，因此可能存在一些偏见。未来的研究将会在这些方面进行深入探讨和更新。

训练

训练数据

训练数据由西班牙国家图书馆每年抓取的 .es 域网站组成，数据量巨大，原始格式数据大小达 59TB。经过一系列处理操作后，包括句子分割、语言检测和去重等，最终形成了 570GB 的净西班牙语语料。

训练过程

训练采用了字节对编码（BPE）技术，将数据进行编码。模型的预训练进行了掩码语言模型训练，总训练时间为 48 小时，使用了 16 个计算节点，每个节点配备 4 个 NVIDIA V100 GPU。

评估

在训练后，该模型在多个下游任务中表现出优秀的性能，具体评估结果可以查看我们的 GitHub 仓库或相关论文。

附加信息

作者

由巴塞罗那超级计算中心 (BSC) 的文本挖掘单元 (TeMU) 负责开发。

联系信息

如需更多信息，请发送邮件至 plantl-gob-es@bsc.es。

版权与许可

本作品遵循 Apache 2.0 许可证。

资金支持

该项目得到了西班牙数字化和人工智能国家秘书处 (SEDIA) 的支持。

有关模型使用的免责声明、引用信息等更多详细信息，请查阅模型发布页。