/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
GPL 3.0
Архитектура
gptj · dense

slovak-gpt-j-162M

Генерация текстаТекст → текст3 профессии

Небольшая авторегрессионная модель GPT-J для генерации текста преимущественно на словацком языке.

88скачиваний за 30 дней2лайкавеса обновлены18 фев 2022

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

Slovak GPT-J-162M — авторегрессионная языковая модель семейства GPT-J, выпущенная как первая модель серии Slovak GPT-J. Она содержит около 162 млн обучаемых параметров и предназначена прежде всего для генерации текста по заданному запросу; её также можно использовать для извлечения языковых признаков в последующих задачах. Модель обучена преимущественно на словацком тексте из веб-страниц, новостей и других источников общим объёмом более 40 ГБ.

Модель принимает текст и продолжает его. Она рассчитана главным образом на словацкий язык, хотя в обучающих данных встречались и фрагменты чешского. Контекст составляет 2048 токенов. Разработчики отмечают ограниченные возможности из-за небольшого размера модели; она позиционируется для обучения и экспериментов. Обучающий корпус мог содержать чувствительную информацию, ненормативную лексику и политически некорректные выражения, которые модель способна воспроизводить. Лицензия — GPL-3.0.

Сценарии применения

  • продолжение текста на словацком языке
  • эксперименты с генерацией словацкого текста
  • обучение работе с авторегрессионными языковыми моделями

Ограничения

Модель невелика и имеет ограниченные возможности. Она может генерировать ненормативную и политически некорректную лексику, чешский текст и чувствительные сведения.

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

Slovak GPT-J-162M

Slovak GPT-J-162M is the first model released in Slovak GPT-J series and the very first publicly available transformer trained predominantly on Slovak corpus. Since the initial release two other models were made public, Slovak GPT-J-405M and the largest Slovak GPT-J-1.4B.

Model Description

Model is based on GPT-J and has over 162M trainable parameters.

HyperparameterValue
\(n_{parameters}\)162,454,608
\(n_{layers}\)12
\(d_{model}\)768
\(d_{ff}\)16384
\(n_{heads}\)16
\(d_{head}\)256
\(n_{ctx}\)2048
\(n_{vocab}\)50256 (same tokenizer as GPT-2/3†)
Positional EncodingRotary Position Embedding (RoPE)
RoPE Dimensions64

Training data

Slovak GPT-J-162M was trained on a privately collected dataset consisting of predominantly Slovak text spanning different categories, e.g. web, news articles or even biblical texts - in total, over 40GB of text data was used to train this model. The dataset was preprocessed and cleaned in a specific way that involves minor but a few caveats, so in order to achieve the expected performance, feel free to refer to [How to use] section. Please, keep in mind that despite the effort to remove inappropriate parts of the corpus, the model still might generate sensitive content or leak sensitive information.

Training procedure

This model was trained for almost 37 billion tokens over 69,001 steps on TPU v3-8 pod. The cross-entropy validation loss at the last step was 3.065.

Intended Use

Same as the original GPT-J, Slovak GPT-J learns an inner representation of the language that can be used to extract features useful for downstream tasks, however, the intended use is text generation from a prompt.

How to use

This model along with the tokenizer can be easily loaded using the AutoModelForCausalLM functionality:

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Milos/slovak-gpt-j-162M")
model = AutoModelForCausalLM.from_pretrained("Milos/slovak-gpt-j-162M")

When generating a prompt keep in mind these three things, and you should be good to go:

  1. Never leave trailing whitespaces. There's a difference between how tokenizer encodes "Mám rád slovenčinu" (no space after slovenčinu) and "Mám rád slovenčinu " (trailing space after slovenčinu), i.e [12805, 2872, 46878] != [12805, 2872, 46878, 221].
  2. Always use good ol' US English primary double quotation marks, i.e. "" instead of „“.
  3. In case of a new line always enter \n\n instead of a single \n

To illustrate an example of a basic text generation:

>>> prompt = "Moje najobľubenejšie mesto na severe Slovenska je"
>>> encoded_input = tokenizer(prompt, return_tensors='pt')
>>> output = model.generate(**encoded_input)
>>> tokenizer.decode(output[0])
'Moje najobľubenejšie mesto na severe Slovenska je Žilina.\n\nV Žiline sa nachádza množstvo zaujímavých miest'

Capabilities, Limitations, and Biases

First and foremost, the capability of this particular model is very limited due to its relatively small size totalling only 162M parameters, hence the intended use of this particular model is to educate and have fun! :)

Since the dataset contains profanity, politically incorrect language, and (unintentionally) even a bits of text in Czech, the model can generate them in some extent too. Here's an example of the model output when prompt is in Czech:

>>> prompt = "Věta nesmí být sprostá a musí být zcela"
>>> encoded_input = tokenizer(prompt, return_tensors='pt')
>>> output = model.generate(**encoded_input, max_length=16)
>>> tokenizer.decode(output[0])
'Věta nesmí být sprostá a musí být zcela věrná.'

Citation and Related Information

This was done as a moonlighting project during summer of 2021 to better understand transformers. I didn't have much free time to open source it properly, so it all sat on my hard drive until now. Based on the popularity and interest in this model I might release substantially larger versions of Slovak GPT-J models that are way more capable.

If you use this model or have any questions about it feel free to hit me up at twitter or check out my github profile.

BibTeX entry

To cite this model:

@misc{slovak-gpt-j-162m,
  author = {Kondela, Milos},
  title = {{Slovak GPT-J-162M}},
  howpublished = {\url{https://huggingface.co/Milos/slovak-gpt-j-162M}},
  year = 2022,
  month = February
}

To cite the codebase that trained this model:

@misc{mesh-transformer-jax,
  author = {Wang, Ben},
  title = {{Mesh-Transformer-JAX: Model-Parallel Implementation of Transformer Language Model with JAX}},
  howpublished = {\url{https://github.com/kingoflolz/mesh-transformer-jax}},
  year = 2021,
  month = May
}

Acknowledgements

This project was generously supported by TPU Research Cloud (TRC) program. Shoutout also goes to Ben Wang and great EleutherAI community.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTJForCausalLM
Ревизия весов
3ebb80b

0 моделей