Kaz-RoBERTa Conversational Technical Report

2025

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)
DOI 10.36227/techrxiv.175942902.25827042/v1
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

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.