Нейросеть VK для обработки разговорного языка

Компания VK объявила, что выложила в открытый доступ модель RuModernBERT для обработки естественного русского языка. Модель понимает длинные тексты целиком, без разбиения на фрагменты и работает локально, без внешних API, что снижает нагрузку на инфраструктуру. Инженеры могут использовать ее для задач в области обработки текста, в том числе для извлечения информации, анализа тональности, поиска и ранжирования в приложениях и сервисах. Модель может понять сложный или длинный запрос пользователя, например, в поисковой строке, и найдет наиболее релевантную информацию, видео, товары или документы.

RuModernBERT была обучена на 2 трлн токенов данных на русском, английском языках и коде с максимальной длиной контекста до 8,192 токенов. Для всех этапов обучения были использованы разные источники данных, в том числе книги, статьи, посты и комментарии в социальных сетях, что позволяет адаптировать ее для работы с современным текстом и учитывать разговорную речь.

RuModernBERT доступна в нескольких версиях: на 150 млн параметров и облегченная модель на 35 млн параметров. Это позволит инженерам выбирать вариант, отвечающий их задачам. Также обновлены две дополнительные версии модели: USER и USER2, они помогают лучше группировать и находить похожую информацию. В версии USER2 есть специальная технология, которая позволяет сократить объем данных почти без потери точности.

Как подчеркивают в компании, благодаря современной архитектуре RuModernBERT работает быстрее аналогов: обучение и развертывание на конечных устройствах – на 10–20%, обработка данных – в 2–3 раза быстрее на длинных контекстах по сравнению с ModernBERT. При оценке на валидационном датасете модель RuModernBERT показала лучшие результаты в области обработки естественного русского языка, чем существующие аналоги.