/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Опубликована
23 окт 2023

Czech-GPT-2-XL-133k

Генерация текстаТекст → текст3 профессии

Исследовательская модель GPT-2 XL для генерации текста на чешском языке, обученная на большом чешском веб-корпусе.

346скачиваний за 30 дней8лайковвеса обновлены25 ноя 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

BUT-FIT разработала Czech-GPT-2-XL-133k как исследовательскую модель генерации текста в рамках проекта SemANT. Это плотная авторегрессионная модель семейства GPT-2 XL, адаптированная с оригинальной GPT-2 XL заменой токенизатора на чешский BPE размером 64 тыс. токенов и соответствующих эмбеддингов; для тысячи наиболее частых токенов перенесены английские представления по двуязычному словарю. Обучение проводилось на чешском веб-корпусе BUT-FIT/BUT-LCC объёмом около 15,6 млрд токенов и продолжалось 133 тыс. шагов, или примерно 139 млрд обучающих токенов.

Модель предназначена для генерации чешского текста и исследовательской оценки языковых моделей на чешском языке. В экспериментах наблюдалось улучшение результатов при 10-примерной оценке тональности и рассуждений здравого смысла; улучшение не проявлялось на всех задачах, включая классификацию грамматических ошибок. Контекст составляет 1024 токена. Модель не завершила сходимость; из-за особенностей обучения она не обучалась генерировать токен EOS, а вероятность первого токена вычислить нельзя. Распространяется по лицензии MIT.

Сценарии применения

  • генерация продолжений чешского текста
  • создание черновиков на чешском языке
  • исследование чешского авторегрессионного языкового моделирования
  • экспериментальная оценка тональности чешских текстов
  • эксперименты с рассуждениями здравого смысла на чешском

Ограничения

Модель не достигла сходимости, не обучалась предсказывать EOS, а вероятность первого токена вычислить нельзя. В экспериментах улучшения не наблюдались на всех задачах.

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

Czech GPT

This is our GPT-2 XL trained as a part of the research involved in SemANT project.

BUT LM Model Roster

Factsheet

  • The model is trained on our 15,621,685,248 token/78,48 GB/10,900,000,000 word/18,800,000 paragraph corpus of Czech obtained by Web Crawling.
  • The original size of our corpus before deduplication and lm-filtering steps was 266,44 GB.
  • Our tokenizer size is 64k, and we use GPT-2 like BPE encoding for tokenization.
  • The model is trained in GPT-2 style, the first token is an actual text token (not bos). Thus first token probability can't be computed.
  • Due to the feature of our code, our model was never trained to generate [EOS].
  • The model was trained by 133,000 update steps (~139B training tokens), before the end of the experiment.
  • The model was adapted from the original GPT-2 XL, by:
    • replacing the tokenizer,
    • corresponding embeddings, and
    • copying over 1,000 EN representations corresponding to the 1,000 most frequent tokens into new embeddings based on a bilingual dictionary.
  • The training loss decreased steadily, and the model definitely didn't converge yet. We compare the loss to a small 124M model version.
  • The validation loss also decreased steadily. We had a bug in validation for early/late steps, so we released only validation from steps 46,000 to 100,000. Similarly, we compare the loss to the small 124M model version.

Training parameters

Not mentioned parameters are the same as for GPT-2.

NameValueNote
dataset_typeConcatSequences at the model's input were concatenated up to $max_seq_len, divided by EOS token.
tokenizer_size64k
max_seq_len1024
batch_size1024
learning_rate1.0e-4
optimizerLionW
optimizer_betas0.9/0.95
optimizer_weight_decay0
optimizer_eps1.0e-08
gradient_clipping_max_norm1.0
attn_implflash2
dropout0.1for residuals, attention, embeddings
fsdpSHARD_GRAD_OP(optimized for A100 40GB GPUs)
precisionbf16
schedulerlinear
scheduler_warmup10,000 steps
scheduler_steps200,000
scheduler_alpha0.1So LR on last step is 0.1*(vanilla LR)

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

t = AutoTokenizer.from_pretrained("BUT-FIT/Czech-GPT-2-XL-133k")
m = AutoModelForCausalLM.from_pretrained("BUT-FIT/Czech-GPT-2-XL-133k").eval()

# Try the model inference
prompt = "Nejznámějším českým spisovatelem "
input_ids = t.encode(prompt, return_tensors="pt")
with torch.no_grad():
    generated_text = m.generate(input_ids=input_ids,
                                do_sample=True,
                                top_p=0.95,
                                repetition_penalty=1.0,
                                temperature=0.8,
                                max_new_tokens=64,
                                num_return_sequences=1)
    print(t.decode(generated_text[0], skip_special_tokens=True))

Evaluation

We observed 10-shot result improvement over the course of training for sentiment analysis, and hellaswag-like commonsense reasoning. There were some tasks where there was no such improvement, such as grammar error classification (does the sentence contain grammatical error?). We will release the precise results once we advance with the work on our Czech evaluation kit.

Disclaimer

This is an intermediate result of our work-in-progress. This is a probabilistic model, and authors are not responsible for the model outputs. Use at your own risk. For further questions, turn to martin.fajcik@vut.cz.

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).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
deff8e6

0 моделей