/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY-NC 4.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
15 июл 2026

babylm-2026-mtl-bigckpt

Генерация текстаТекст → текст3 профессии

GPT-2-подобная модель на 213 млн параметров для исследований генерации текста на английском, нидерландском и китайском языках в условиях ограниченного объёма обучающих данных.

98скачиваний за 30 дней0лайковвеса обновлены11 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

babylm-2026-mtl-bigckpt — плотная причинная языковая модель в стиле GPT-2 с архитектурой GPT2MTP и предсказанием нескольких токенов. Её разработали для мультиязычного трека конкурса BabyLM 2026 и обучили с нуля на 212,8 млн параметров в рамках бюджета 100 млн англоязычных эквивалентных слов. Контекст модели — 512 токенов; доступны веса в формате safetensors для Transformers.

Модель предназначена для исследований малых языковых моделей и data-efficient обучения на английском, нидерландском и китайском языках. В обучающие данные вошли официальные корпуса BabyBabelLM, параллельные тексты Tatoeba и OPUS-100, а также синтетические тексты, созданные с помощью Qwen3.5-4B. По результатам конкурса мультиязычный средний балл составил 50,68.

Модель не предназначена для промышленного применения. Результаты получены на наборах разработки, повторное использование оценок при выборе модели создаёт смещение. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Сценарии применения

  • генерация текста на английском языке
  • генерация текста на нидерландском языке
  • генерация текста на китайском языке
  • исследование малых мультиязычных языковых моделей
  • сравнение методов обучения на ограниченном объёме текстовых данных

Ограничения

Модель небольшая и не предназначена для промышленного применения; оценки получены на наборах разработки и могут быть смещены повторным использованием при выборе модели. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

babylm-2026-mtl-bigckpt

A 213M-parameter GPT-2-style causal language model submitted to the multilingual track of the BabyLM 2026 Challenge (English, Dutch, Chinese), trained from scratch within the 100M English-equivalent-word budget.

This is the overall submission. It obtained a leaderboard-reported Multilingual Average of 50.68.

Model details

ArchitectureGPT-2-style decoder with multi-token prediction (MTP)
Parameters212,790,272 (213M)
Layers / heads / hidden14 / 16 / 1024
Context length512
Tokenizerbyte-level BPE, 32,000 vocab
Training objectivenext-token + MTP auxiliary heads ($k{=}4$, ramped $1\to4$ over epochs; only the first head is used at inference)
OptimizerAdamW, peak LR $4.5\times10^{-4}$, 10 epochs
TrackBabyLM 2026 multilingual
LanguagesEnglish, Dutch, Chinese

Training data

Trained within the fixed multilingual budget on a combination of:

  • the official BabyBabelLM corpora for English, Dutch, and Chinese;
  • parallel-corpus text from Tatoeba and OPUS-100;
  • task-family-targeted synthetic text generated offline by an approved teacher model (Qwen3.5-4B).

Published training data: 1ghub/babylm-2026-mtl-data

Note on budget. The track measures the budget in bytes: the 100M-word tier is 543.00 MB, and a corpus qualifies while its UTF-8 size divided by the language premium stays at or below that. We use the coefficients published in the organizers' table: English 1.0, Dutch 1.0516, and simplified Chinese 0.93597, the script BabyBabelLM uses. (The 0.9894 listed in the call for papers is the coefficient that table gives for traditional Chinese.) Under this rule the training corpus is 527.7 MB of English-equivalent bytes, 97.2% of the cap.

Results

Development-set scores (percentages):

MetricScore
Official Multilingual Average50.68
Zero-shot (16-task mean, ZS16)57.82
Fine-tuning (22-task mean, FT22)41.25
ZS — English / Dutch / Chinese59.89 / 59.77 / 53.41
FT — English / Dutch / Chinese43.86 / 39.37 / 40.61

Intended use and limitations

Research model for data-efficient multilingual language modeling under the BabyLM setting. It is a small model trained on a developmentally plausible amount of text and is not intended for production use. Scores are on development sets; evaluation reuse across selection stages introduces selection bias.

Teacher model

Synthetic training text was generated (not distilled) by Qwen3.5-4B, an approved teacher for the challenge. Generation prompts used task-level descriptions.

Citation

Companion paper: Language Allocation and Targeted Data Design for a Multilingual BabyLM (BabyLM 2026 Workshop, EMNLP 2026).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2MTP
Ревизия весов
092dd91

0 моделей