IndoBERT 是基于 BERT 模型的印尼语最先进语言模型。该预训练模型通过掩码语言模型（MLM）目标和下一句预测（NSP）目标进行训练。
| 模型 | 参数数量 | 架构 | 训练数据 |
|---|---|---|---|
indobenchmark/indobert-base-p1 | 1.245 亿 | Base | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-base-p2 | 1.245 亿 | Base | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-large-p1 | 3.352 亿 | Large | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-large-p2 | 3.352 亿 | Large | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-lite-base-p1 | 0.117 亿 | Base | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-lite-base-p2 | 0.117 亿 | Base | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-lite-large-p1 | 0.177 亿 | Large | Indo4B（23.43 GB 文本） |
indobenchmark/indobert-lite-large-p2 | 0.177 亿 | Large | Indo4B（23.43 GB 文本） |
from transformers import BertTokenizer, AutoModel
tokenizer = BertTokenizer.from_pretrained("indobenchmark/indobert-large-p1")
model = AutoModel.from_pretrained("indobenchmark/indobert-large-p1")x = torch.LongTensor(tokenizer.encode('aku adalah anak [MASK]')).view(1,-1)
print(x, model(x)[0].sum())IndoBERT 由 Bryan Wilie*、Karissa Vincentio*、Genta Indra Winata*、Samuel Cahyawijaya*、Xiaohong Li、Zhi Yuan Lim、Sidik Soleman、Rahmad Mahendra、Pascale Fung、Syafri Bahar、Ayu Purwarianti 共同训练并评估。
如果您使用了我们的研究成果，请引用：
@inproceedings{wilie2020indonlu,
title={IndoNLU: Benchmark and Resources for Evaluating Indonesian Natural Language Understanding},
author={Bryan Wilie and Karissa Vincentio and Genta Indra Winata and Samuel Cahyawijaya and X. Li and Zhi Yuan Lim and S. Soleman and R. Mahendra and Pascale Fung and Syafri Bahar and A. Purwarianti},
booktitle={Proceedings of the 1st Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics and the 10th International Joint Conference on Natural Language Processing},
year={2020}
}