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

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。

Trae

Trae

字节跳动发布的AI编程神器IDE

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
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多