Kaz-RoBERTa Conversational Technical Report

2025

Толық мәтін Ашық қол жеткізу: Gold Метадеректер (CSL-JSON)
DOI 10.36227/techrxiv.175942902.25827042/v1
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

We present Kaz-RoBERTa, a base-sized RoBERTa model pretrained from scratch for Kazakh and code-switched Kazakh-Russian conversational text. Motivated by limitations of multilingual models (e.g., mBERT, XLM-R) on real-world, informal language, we curate a 25GB corpus combining a large multi-domain Kazakh dataset and telecom customer-service dialogues. We train a 52k BPE tokenizer and pretrain with masked language modeling on up to 512-token sequences. The resulting model demonstrates improved masked-LM quality and strong gains on downstream tasks including intent classification and code-switch language detection.