Darija Arabizi EmbeddingGemma 2
эмбеддинги для дариджи в арабской графике и арабизи
1 мин чтения
Это небольшая текстовая embedding-модель на базе google/embeddinggemma-2 (около 270M параметров), дообученная anaschahid для марокканского дариджа. Она приводит к одному пространству дариджу в арабской графике, арабизи и смесь с французским; обучена на 165 846 парах DODa и MedQA-MA.
Ключевые особенности
- Понимает дариджу в арабской графике, арабизи (3, 7, 9) и в смеси с французским как один язык.
- Дообучена на 165 846 парах DODa и MedQA-MA, включая медицинские вопросы.
- Векторы 768 чисел, L2-нормализованы; Matryoshka позволяет урезать до 512/256/128 с небольшой потерей качества.
- Заметно улучшает поиск на арабизи: Recall@10 на медицинских вопросах 2.9 → 19.8.
- Только текстовая часть EmbeddingGemma 2; нужен transformers>=5.22, аудио и vision нет.
Пример
from transformers import AutoModel, AutoTokenizer
repo = 'anaschahid/darija-arabizi-embeddinggemma2-text'
tok = AutoTokenizer.from_pretrained(repo)
model = AutoModel.from_pretrained(repo).eval()
texts = ['chno howa a7san 3ilaj dyal l7sas f jild?']
batch = tok(texts, truncation=True, max_length=256, padding=True, return_tensors='pt')
h = model(**batch).last_hidden_state
print(h.shape)
Подробнее
Recall@10 на медицинских вопросах: арабизи 2.9 → 19.8, арабская графика 20.4 → 32.1.Обучение: 165 846 пар, batch 96, 1 700 шагов, одна RTX 4090, около 33 минут.
Ограничения: только для исследований, CC BY-NC 4.0; не медицинский совет; не тестировали реальные соцсети и другие диалекты.










Комментарии