neavo/keyword_gacha_base_multilingual

前言

• 一个对多种语言的小说与游戏脚本进行专门优化的语言模型系列，在最开始是为了 KeywordGacha 而创造的
• KeywordGacha 是一个使用 OpenAI 兼容接口自动生成小说、漫画、字幕、游戏脚本等内容文本中实体词语表的翻译辅助工具
• 在 KeywordGacha 的开发过程中，我们发现社区中并没有满足需求的语言模型模型，所以自己动手创造了一个 ：）

综述

• 通过针对性的预训练，本系列模型：
  • 对 轻小说、游戏脚本、漫画脚本 等故事性文本内容具有极好的理解能力
  • 特别是 剑与魔法、超能力战斗、异世界冒险 等常见的 ACG 题材的故事内容
• AND NSFW IS OK
• 支持多种语言
  • 目前已针对以下语言进行了预训练：中文、英文、日文、韩文
  • 未来计划针对以下语言进行预训练：俄文
• 目前我们提供以下预训练模型：

模型	版本	说明
keyword_gacha_base_multilingual	20241212	基础模型
keyword_gacha_ner_multilingual	20241212	预训练实体识别模型

基础模型 Base

• 在 FacebookAI/xlm-roberta-base 进行继续预训练
• 继续预训练的训练量大约 2B Token，包含 4 种不同语言的语料
• 训练参数如下：
  • Batch Size : 8
  • Gradient Accumulation Steps : 16
  • Total Batch Size : 128
  • Learing Rate : 2e-5
  • Maximum Sequence Length : 256
  • Optimizer : ademamix_8bit
  • Warnup Ratio : 0.1
  • Train Precision : bf16
  • Max Train Epochs : 2
• 使用说明
  • 暂无，基础模型一般不直接使用，需针对具体下游任务进行微调后使用

实体识别模型 NER

• 在 Base 模型的基础上，使用了大约 50000 条合成语料进行 NER 任务的微调
• 与人工校对的实体词语表进行对比，可以达到 90%-95% 的实际准确率
  • 与 KeywordGacha 搭配使用时
  • 实际任务环境中的实测数据，并非预设测试集上的 F1 Score 这类理论上的指标
• 训练参数如下：
  • Batch Size : 48
  • Gradient Accumulation Steps : 2
  • Total Batch Size : 96
  • Learing Rate : 1e-5
  • Maximum Sequence Length : 256
  • Optimizer : ademamix_8bit
  • Warnup Ratio : 0.1
  • Train Precision : bf16
  • Max Train Epochs : 20
• 使用说明
  • 待补充

其他

• 训练脚本 Github