muril-base-cased

muril-base-cased

MuRIL:适用于多种印度语言的多语言BERT模型

MuRIL是一种专为17种印度语言及其音译数据预训练的BERT模型。此模型利用公共数据集和新颖的训练方法,在低资源语言处理上表现优异。MuRIL在多个基准任务中超越了传统的mBERT模型,适用于印度语言的多种NLP任务,并附带预处理模块及使用指南以支持有效应用。

Github模型开源项目迁移学习印度语言MuRILHuggingface自然语言处理多语言表征

项目简介

MuRIL(Multilingual Representations for Indian Languages)是一个专为17种印度语言及其音译版本预训练的BERT模型。该项目旨在通过多语言表示来支持印度语言的自然语言处理(NLP)任务。MuRIL模型及其编码器已在多个平台(如TFHub)上发布,提供了更便捷的使用和集成方式。

模型概述

MuRIL模型采用了BERT基础架构,从头开始使用多种语料库进行预训练,包括Wikipedia、Common Crawl、PMINDIA和Dakshina。这一模型与多语言BERT模型的训练范式相似,但进行了若干优化,例如在训练过程中包括翻译和音译的片段对,同时使用较低的指数值(0.3)进行低资源语言的提升训练。

训练细节

MuRIL模型在单语段和并行段上进行预训练:

  1. 单语数据:使用来自Wikipedia和Common Crawl的17种印度语言的公开语料库。
  2. 并行数据
    • 翻译数据:使用Google NMT管道对单语语料进行翻译,输入翻译后的片段对,同时使用PMINDIA中的数据。
    • 音译数据:使用IndicTrans库对Wikipedia进行音译,输入音译后的片段对,并使用Dakshina数据集。

在训练过程中,MuRIL模型通过自监督的掩码语言建模任务进行训练,实施全词掩码,最大掩码词预测数为80。该模型经过了1000K步的训练,批量大小为4096,最大序列长度为512。

使用与限制

MuRIL模型被设计用于多种印度语言的下游NLP任务。因其在音译数据上的训练,特别适合处理印度文化背景下的跨语言现象。然而,它对于其他未在预训练中涉及的语言表现不佳。

模型评估

MuRIL模型在多个下游任务上进行了微调和评估,例如在XTREME基准中的任务。通过与多语言BERT模型进行对比,MuRIL在印度语言的测试集上表现出更优异的性能。对于一些任务,MuRIL在零样本设置下取得了显著的提升,尤其在音译测试集上的表现更为突出。

以下是一些评估结果示例:

  • PANX(F1):在8种印度语系语言上表现优于mBERT,平均F1值为77.60。
  • UDPOS(F1):在多个低资源语言上具有更高的平均F1值75.02。
  • XNLI(Accuracy):平均准确率达74.07,高于mBERT。
  • 在XQUAD、MLQA和TyDiQA等任务中,MuRIL在音译后的数据集上也展示出较强的表现,特别是在F1和EM指标上有显著提升。

总结

MuRIL项目为印度语言的多语言表示提供了一个强大的工具,通过大量的数据集和预训练策略的组合,大大提升了其在低资源语言上的表现潜力。它不仅丰富了自然语言处理领域的研究资源,还为多语言模型在实际应用中的扩展提供了基础。有兴趣的开发者和研究人员可以在相关平台上查阅更多模型细节与使用指南。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多