You can deploy this model and start earning money today!

myduy/
dream-diffusion-ner-recovery-v7

Views

No views yet

Diffusion Language Model for Vietnamese NER

Diffusion Language Model (DLM) fine-tuned cho tác vụ Named Entity Recognition (NER) tiếng Việt.
Mô hình này khai thác cơ chế Diffusion-based Language Modeling như một hướng tiếp cận thay thế cho các kiến trúc truyền thống Encoder-only (như BERT) hoặc Decoder-only (như GPT) trong các bài toán token-level prediction.

Mô hình nền tảng

Base model: Dream 7B — Diffusion Large Language Models
Training objective: Diffusion-based denoising for token prediction
Fine-tuning task: Vietnamese Named Entity Recognition (NER)

Dữ liệu huấn luyện

Nguồn dữ liệu được sử dụng là từ:

Nested Named-Entity Recognition on Vietnamese COVID-19: Dataset and Experiments
[https://arxiv.org/abs/2504.21016]

Bao gồm các thực thể lồng nhau trong văn bản tiếng Việt liên quan đến COVID-19.
Được gán nhãn thủ công theo định dạng NER chuẩn (BIO tagging).
Thích hợp cho huấn luyện các mô hình phân biệt ranh giới thực thể phức tạp.

Điểm nổi bật

Ứng dụng diffusion process để mô hình hóa phân phối của token, giúp cải thiện khả năng khái quát hóa và ổn định khi huấn luyện.
Cho phép token prediction mà không phụ thuộc hoàn toàn vào encoder hoặc decoder truyền thống.
Khả năng hiểu tiếng Việt từ Dream 7B.
Độ dài chuôi đầu vào không bị giới hạng như các mô hình Pho-BERT.

Kết quả & hướng phát triển

Đạt hiệu năng cạnh tranh so với các baseline encoder/decoder trong NER tiếng Việt.
Đang nghiên cứu mở rộng mô hình cho các tác vụ đa ngôn ngữ và đa miền dữ liệu.

Ví dụ sử dụng

python

import torch
from transformers import AutoModel, AutoTokenizer

model_path = "myduy/dream-diffusion-ner-recovery"
model = AutoModel.from_pretrained(model_path, torch_dtype=torch.bfloat16, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = model.to("cuda").eval()


test = [ 
  {
    "instruction": "<ner>\nTiêm chủng vaccine ngừa virus SARS-CoV-2 là biện pháp hiệu quả.\n</ner>",
    "output": ""
  },
  {
    "instruction": "<ner>\nBệnh nhân được chẩn đoán mắc bệnh lao phổi và được điều trị theo phác đồ của WHO.\n</ner>",
    "output": ""
  },
  {
    "instruction": "<ner>\nKhoa Hồi sức tích cực tại Bệnh viện Bạch Mai đã tiếp nhận bệnh nhân nguy kịch.\n</ner>",
    "output": ""
  },
  {
    "instruction": "<ner>\nThuốc Paracetamol 500mg được sử dụng để hạ sốt cho trẻ em.\n</ner>",
    "output": ""
  },
  {
    "instruction": "<ner>\nTrung tâm Kiểm soát bệnh tật TP. Hồ Chí Minh khuyến cáo người dân đeo khẩu trang y tế.\n</ner>",
    "output": ""
  },
  {
    "instruction": "<ner>\nPhác đồ điều trị HIV/AIDS được cập nhật mới nhất năm 2025.\n</ner>",
    "output": ""
  }
]

messages = [
    {"role": "user", "content": "<ner>\nPhác đồ điều trị HIV/AIDS được cập nhật mới nhất năm 2025.\n</ner>"}
]
inputs = tokenizer.apply_chat_template(
    messages, return_tensors="pt", return_dict=True, add_generation_prompt=True
)
input_ids = inputs.input_ids.to(device="cuda")
attention_mask = inputs.attention_mask.to(device="cuda")

output = model.diffusion_generate(
    input_ids,
    attention_mask=attention_mask,
    max_new_tokens=512,
    output_history=True,
    return_dict_in_generate=True,
    steps=512,
    temperature=0.2,
    top_p=0.95,
    alg="entropy",
    alg_temp=0.,
)
generations = [
    tokenizer.decode(g[len(p) :].tolist())
    for p, g in zip(input_ids, output.sequences)
]

print(generations[0].split(tokenizer.eos_token)[0])

myduy/dream-diffusion-ner-recovery-v7