/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
14 мар 2024

CSTinyLlama-1.2B

Генерация текстаТекст → текст3 профессии

Чешская модель генерации текста на 1,1 млрд параметров, полученная продолжением предобучения TinyLlama с чешским токенизатором.

568скачиваний за 30 дней10лайковвеса обновлены16 дек 2024

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

CSTinyLlama-1.2B — чешская языковая модель, разработанная командой BUT-FIT. Она непрерывно предобучена на основе TinyLlama-1.1B: авторы заменили часть словаря на чешский токенизатор и продолжили обучение на корпусе BUT-Large Czech Collection. В README также указано обучение на 168 млрд токенов; модель содержит около 1,1 млрд параметров и имеет контекст 2048 токенов.

Модель предназначена для генерации текста на чешском языке. Её можно применять для черновиков, продолжения текста и прототипирования чешскоязычных языковых приложений. Доступны веса в формате safetensors. Лицензия — Apache-2.0.

Качество и фактическая точность ответов не гарантируются: модель вероятностная и может генерировать недостоверный текст. README не описывает результаты оценки или специализированные возможности, поэтому пригодность для конкретных задач следует проверять отдельно.

Сценарии применения

  • генерация черновиков на чешском языке
  • продолжение чешского текста
  • создание чешскоязычных примеров для языковых приложений

Ограничения

Модель может генерировать недостоверный или случайный по содержанию текст; её качество для конкретных сценариев нужно оценивать отдельно.

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

Introduction

CSTinyLlama-1.2B is a Czech language model continously pretrained on 168b training tokens from English TinyLLama-2.5T model. Model was pretrained on ~67b token Large Czech Collection using Czech tokenizer, obtained using our vocabulary swap method. Training was done on Karolina cluster.

BUT LM Model Roster

Loss

Below we

  • (i) demonstrate the convergence speed of released model (TINYLLAMA1.2B_cztokenizer64k_align1.7k_tllama1.1B_C2048_lr1e-04_150k, at 160k step).
  • (ii) justify the contributions of our vocabulary swap method by comparing the swapped model with model trained from scratch (using same hyperparameters) scratch_cztokenizer64k_tllama1.1B_C2048_lr1e-04_150k. We swap 1.7K tokens in this run, similarly as for our other models (see Czech-GPT-2-XL-133k)

Train Cross-Entropy

Test Perplexity

Distance in Steps For the Same Loss from Fine-Tuning vs Training from Scratch

Training parameters

Not mentioned parameters are the same as for TinyLLama-2.5T.

NameValueNote
dataset_typeConcatSequences at the model's input were concatenated up to $max_seq_len, divided by EOS token.
tokenizer_size64k
max_seq_len2048
batch_size512
learning_rate1.0e-4
optimizerLionW
optimizer_betas0.9/0.95
optimizer_weight_decay0
gradient_clipping_max_norm1.0
attn_implflash2
fsdpSHARD_GRAD_OP(optimized for A100 40GB GPUs)
precisionbf16
schedulercosine
scheduler_warmup100 steps
scheduler_steps200,000
scheduler_alpha0.1So LR on last step is 0.1*(vanilla LR)

Usage

import torch
import transformers
from transformers import pipeline

name = 'BUT-FIT/CSTinyLlama-1.2B'

config = transformers.AutoConfig.from_pretrained(name, trust_remote_code=True)
model = transformers.AutoModelForCausalLM.from_pretrained(
    name,
    config=config,
    trust_remote_code=True
)

tokenizer = transformers.AutoTokenizer.from_pretrained(name, trust_remote_code=True)

pipe = pipeline('text-generation', model=model, tokenizer=tokenizer, device='cuda:0')

with torch.autocast('cuda', dtype=torch.bfloat16):
    print(
        pipe('Nejznámějším českým spisovatelem ',
             max_new_tokens=100,
             top_p=0.95,
             repetition_penalty=1.0,
             do_sample=True,
             use_cache=True))

Training Data

We release most (95.79%) of our training data corpus as BUT-Large Czech Collection.

Getting in Touch

For further questions, email to martin.fajcik@vut.cz.

Disclaimer

This is a probabilistic model, it can output stochastic information. Authors are not responsible for the model outputs. Use at your own risk.

Acknowledgement

This work was supported by NAKI III program of Ministry of Culture Czech Republic, project semANT --- "Sémantický průzkumník textového kulturního dědictví" grant no. DH23P03OVV060 and by the Ministry of Education, Youth and Sports of the Czech Republic through the e-INFRA CZ (ID:90254).

Citation

@article{benczechmark,
  author    = {Martin Fajčík, Martin Dočekal, Jan Doležal, Karel Beneš, Michal Hradiš},
  title     = {BenCzechMark: Machine Language Understanding Benchmark for Czech Language},
  journal   = {arXiv preprint arXiv:insert-arxiv-number-here},
  year      = {2024},
  month     = {March},
  eprint    = {insert-arxiv-number-here},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
b175c76

0 моделей