/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Опубликована
29 окт 2024

TokenFormer-1-5B

Генерация текстаТекст → текст3 профессии

Англоязычная языковая модель TokenFormer на 1,5 млрд параметров для генерации текста и языкового моделирования.

88скачиваний за 30 дней13лайковвеса обновлены9 ноя 2024

Бенчмарки

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

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

TokenFormer-1-5B — англоязычная языковая модель на 1,5 млрд параметров, разработанная Хайян Ваном (Haiyang Wang). Она использует архитектуру TokenFormer с причинным языковым моделированием: механизм внимания применяется как для взаимодействия токенов, так и для взаимодействия токенов с параметрами. Модель обучена на корпусе The Pile объёмом 300 млрд токенов с использованием кодовой базы GPT-NeoX; для работы указана библиотека GPT-NeoX. Контекст составляет 2048 токенов.

Модель предназначена для генерации продолжений текста и других задач языкового моделирования. В README приведены результаты нулевой оценки на наборах LAMBADA, HellaSwag, PIQA, ARC и WinoGrande. Карточка описывает базовую языковую модель, а не специализированный чат- или инструкционный вариант. Весовые файлы представлены в формате PyTorch. Лицензия — Apache 2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • создание черновиков и фрагментов прозы на английском
  • оценка вероятности продолжения текста
  • эксперименты с архитектурой TokenFormer
  • оценка языковой модели на бенчмарках общего назначения

Ограничения

Модель обучалась на The Pile, поэтому её знания и поведение ограничены данными этого корпуса и могут отражать их смещения. Контекст ограничен 2048 токенами; карточка не заявляет специализированного следования инструкциям или диалоговой настройки.

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

The TokenFormer is a fully attention-based architecture that unifies the computations of token-token and token-parameter interactions by entirely employing the attention mechanism, maximizes the flexibility of neural network.(see paper). It contains four models of sizes 150M, 450M, 900M, 1.5B. For each size, it's trained based on gpt-neox code base and uses Pile with 300B tokens. All 4 model sizes are trained on the exact same data, in the exact same order.

TokenFormer-1-5B

Model Details

  • Developed by: Haiyang Wang
  • Model type: TokenFormer-based Language Model
  • Language: English
  • Learn more: TokenFormer's GitHub repository for training procedure, config files, and details on how to use. See paper for more evals and implementation details.
  • Library: GPT-NeoX
  • License: Apache 2.0
  • Contact: to ask questions about this model, please email Haiyang Wang.
TokenFormer modelLayers#QKV Param Tokens#Output Param Tokens#FFN Param TokensModel DimHeadsBatch SizeLearning RateTraining Iterations
150M127687683072768122M6.0 x 10-4143000
450M241024102440961024162M6.0 x 10-4143000
900M321280128051201280162M6.0 x 10-4143000
1.5B401536153661441536162M6.0 x 10-4143000

Training

Training data

The Pile is a 825GiB general-purpose dataset in English. It was created by EleutherAI specifically for training large language models. It contains texts from 22 diverse sources, roughly broken down into five categories: academic writing (e.g. arXiv), internet (e.g. CommonCrawl), prose (e.g. Project Gutenberg), dialogue (e.g. YouTube subtitles), and miscellaneous (e.g. GitHub, Enron Emails). See the Pile paper for a breakdown of all data sources, methodology, and a discussion of ethical implications. Consult the datasheet for more detailed documentation about the Pile and its component datasets. The Pile can be downloaded from the official website, or from a community mirror.

Training procedure

We follow the default training strategy of Pythia in gpt-neox, including the dataset processing, hyper-parameter and code base. All models were trained on the exact same data, in the exact same order. Each model saw 299,892,736,000 tokens during training.

All TokenFormer models trained for 143000 steps at a batch size of 2M (2,097,152 tokens). See GitHub for more details on training procedure. TokenFormer uses the same tokenizer as GPT-NeoX- 20B.

Evaluations

All TokenFormer models were evaluated using the LM Evaluation Harness. You can run the evaluation with our instruction. Expand the sections below to see plots of evaluation results for all TokenFormer compared with Opensource Transformer-based LLMs.

Model#ParamLAMBADAHellaSwagPIQAArc-EArc-CWinoGrandeAverage
Pythia150M35.430.362.343.623.651.340.1
TokenFormer150M45.035.564.947.324.950.444.7
Pythia410M51.440.666.952.124.653.848.2
TokenFormer450M57.347.569.556.226.754.652.0
Pythia1B56.147.270.757.027.153.551.9
TokenFormer900M64.055.372.459.930.656.456.4
GPT-Neo1.3B57.248.971.156.225.954.952.4
OPT1.3B58.053.772.456.729.659.555.0
Pythia1.3B61.752.171.060.528.557.255.2
GPT-Neo2.7B62.255.871.161.130.257.656.5
OPT2.7B63.660.674.860.831.361.058.7
Pythia2.8B64.759.374.064.132.959.759.1
TokenFormer1.5B64.760.074.864.832.059.759.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура TokenFormerForCausalLM неизвестна transformers в образе рантайма.

Класс архитектуры
TokenFormerForCausalLM
Ревизия весов
916e82f

0 моделей