懂AI
herbert-base-cased

herbert-base-cased

波兰语自然语言处理的新突破：HerBERT预训练模型

HerBERT是一款专为波兰语设计的预训练语言模型，基于BERT架构并结合掩码语言建模和句子结构目标进行优化。该模型在六大波兰语语料库上训练，涵盖超过86亿个标记，采用50k词汇量的字符级字节对编码分词器。HerBERT为波兰语自然语言处理研究和应用提供了坚实基础，可广泛应用于文本分类、命名实体识别等多种任务。

预训练语言模型模型HerBERTGithub深度学习波兰语模型Huggingface开源项目自然语言处理
访问官网GitHubHugging Face论文文档

HerBERT项目介绍

HerBERT是一个基于BERT的波兰语言模型,由Allegro公司的机器学习研究团队和波兰科学院计算机科学研究所的语言工程小组联合开发。该模型采用掩码语言建模(MLM)和句子结构目标(SSO)在波兰语语料库上进行训练,使用了动态掩码整词的技术。

训练语料库

HerBERT的训练使用了6个不同的波兰语语料库,总计包含超过86亿个词元。主要语料库包括:

  • CCNet Middle和CCNet Head:来自Common Crawl的高质量网页文本
  • 波兰国家语料库:包含各类文本的大规模语料库
  • Open Subtitles:电影字幕文本
  • 维基百科:波兰语维基百科文章
  • Wolne Lektury:公版文学作品

这些语料库涵盖了多种文本类型和领域,有助于模型学习丰富的语言知识。

分词器

HerBERT使用基于字符级字节对编码(BPE)的分词器,词表大小为5万个词元。分词器采用tokenizers库进行训练,建议用户使用HerbertTokenizerFast这一快速版本的分词器。

模型使用

使用HerBERT非常简单,只需几行代码即可加载模型和分词器:

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("allegro/herbert-base-cased")
model = AutoModel.from_pretrained("allegro/herbert-base-cased")

然后就可以使用tokenizer对输入文本进行编码,并将编码后的结果输入模型进行处理。

许可证和引用

HerBERT采用CC BY 4.0许可证发布。如果在研究中使用了该模型,请引用相关论文《HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish》。

总结

HerBERT为波兰语自然语言处理任务提供了一个强大的预训练语言模型。它在多样化的大规模语料库上训练,采用了先进的模型架构和训练技术,可以为各种下游任务提供良好的语言表示。该项目的开源为波兰语NLP研究和应用提供了宝贵的资源。

编辑推荐精选

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手，复杂任务高效处理

AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。

TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手，一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

下拉加载更多