EuroBERT: Fortschrittliche KI für europäische Sprachen

MÜNCHEN (IT BOLTWISE) – In der Welt der Künstlichen Intelligenz gibt es einen neuen Akteur, der speziell für europäische Sprachen entwickelt wurde: EuroBERT. Dieses Modell, das von einem Konsortium aus Forschungseinrichtungen und Industriepartnern, darunter die KI-Plattform Hugging Face, vorgestellt wurde, verspricht eine verbesserte Leistung in europäischen und weltweit verbreiteten Sprachen.

EuroBERT, ein neues multilinguales Encoder-Modell, wurde entwickelt, um die Leistung in europäischen Sprachen zu steigern und gleichzeitig für Code-Reasoning geeignet zu sein. Das Modell, das von einem Konsortium aus Forschungseinrichtungen und Industriepartnern wie Hugging Face entwickelt wurde, ist optimiert für Aufgaben auf Dokumentenebene und unterstützt Kontextsequenzen mit bis zu 8192 Tokens. Es bietet Fähigkeiten für mehrsprachiges Retrieval, Klassifikation, Regression sowie Mathematik- und Code-Verständnis. EuroBERT eignet sich hervorragend für Finetuning bei Klassifikationsaufgaben und als Basis für Embedding-Modelle. Laut den Benchmarks des Konsortiums übertrifft es in vielen Bereichen die Konkurrenz. Die EuroBERT-Modelle sind in verschiedenen Größen erhältlich, von 210 Millionen bis zu 2,1 Milliarden Parametern. Das Training des größten Modells erforderte über 12 GPU-Jahre, während das Finetuning deutlich schneller abläuft, jedoch einen erheblichen Speicherbedarf erfordert. Interessant ist das offene Trainingsverfahren, bei dem etwa sechs Prozent der Trainingsdaten auf Deutsch vorlagen. Dies ist im Vergleich zu den 41 Prozent auf FineWeb zwar wenig, aber dennoch mehr als bei bisherigen Modellen. Das Vokabular umfasst 128.000 Tokens, was im Vergleich zu den etwa 50.000 Tokens von ModernBERT-Modellen eine erhebliche Erweiterung darstellt. Encoder-Modelle wie BERT stehen oft im Schatten generativer Modelle, obwohl sie in vielen Unternehmensanwendungen eine große Rolle spielen. BERT, das für Bidirectional Encoder Representations from Transformers steht, wurde 2018 von Google vorgestellt und hat sich seitdem zu einem wichtigen Werkzeug für die Verarbeitung natürlicher Sprache entwickelt. Mithilfe solcher Modelle können Texte klassifiziert, Stimmungen erkannt oder semantische Suchen implementiert werden. Das Training solcher Modelle ist aufwendig, aber sie lassen sich leicht an individuelle Bedürfnisse anpassen, insbesondere wenn das Grundmodell gut vortrainiert ist. Viele Basismodelle sind primär mit englischen Texten trainiert, was bei Finetuning mit deutschen Texten nicht immer zu guten Ergebnissen führt. Speziell für Deutsch trainierte Modelle sind oft veraltet. EuroBERT nutzt die ModernBERT-Architektur als Basis und kann überall dort eingesetzt werden, wo bisher BERT verwendet wurde. In Tests erzielte EuroBERT für deutschsprachige Texte mindestens so gute Ergebnisse wie alte deutschsprachige Modelle und übertraf ModernBERT deutlich, während es gleichzeitig schneller arbeitete. Ein weiterer Vorteil ist die Fähigkeit, mit längeren Texten zu arbeiten und leicht auf andere Sprachen umzustellen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!