/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
18 июн 2026

babylm26_multiling_gpt2_MoP16K_baseline

Генерация текстаТекст → текст3 профессии

Многоязычная GPT-2 для генерации текста на английском, нидерландском и китайском и исследований в рамках BabyLM 2026.

25скачиваний за 30 дней0лайковвеса обновлены24 июн 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

NeTS-lab разработала многоязычную авторегрессионную языковую модель GPT-2 для мультиязычного трека BabyLM 2026. Модель с 12 слоями и размером скрытого состояния 768 обучена на сбалансированном корпусе английского, нидерландского и китайского объёмом около 100 млн слов с использованием общего токенизатора MorPiece на 16 000 токенов. Контекст модели составляет 512 токенов; отдельный идентификатор языка не требуется — язык определяется по входному тексту.

Модель предназначена для генерации продолжений текста и исследовательской оценки языкового моделирования на английском, нидерландском и китайском, включая перплексию и синтаксические тесты BabyLM. Она доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Из-за небольшого обучающего корпуса модель не рассчитана на производственные NLP-сценарии, а редкие языковые явления могут даваться ей хуже, чем крупным языковым моделям. Управлять языком генерации явно нельзя; смешение языков в запросе может приводить к непредсказуемым продолжениям, а качество китайского текста может отличаться из-за сегментации токенизатора.

Сценарии применения

  • генерация продолжений текста на английском языке
  • генерация продолжений текста на нидерландском языке
  • генерация продолжений текста на китайском языке
  • оценка перплексии на многоязычном корпусе
  • исследование языкового моделирования на корпусе детского масштаба
  • проверка синтаксической приемлемости в тестах BabyLM

Ограничения

Модель обучена на небольшом корпусе и не предназначена для производственных NLP-приложений; редкие языковые явления могут обрабатываться хуже. Явно выбрать язык генерации нельзя, смешение языков может давать непредсказуемые результаты, а качество китайского текста зависит от сегментации токенизатора.

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 — Multilingual GPT-2 (MorPiece-16K)

Track: BabyLM 2026 Multilingual · Architecture: GPT-2 · Tokenizer: MorPiece 16K (multilingual)

A single, shared-weight GPT-2 language model trained on a balanced trilingual corpus of English, Dutch, and Chinese (100 M byte-premium-adjusted words) for the BabyLM 2026 Challenge multilingual track. The model never receives an explicit language identifier: language identity is implicit in the shared multilingual vocabulary and the model's learned representations.


Model Details

Architecture

HyperparameterValue
ArchitectureGPT-2 (GPT2LMHeadModel)
Hidden size (n_embd)768
Layers (n_layer)12
Attention heads (n_head)12
Context length (seq_length)512
Dropout0.1
Tied embeddings✓
Parameters~117 M

Tokenizer

The model uses MorPiece (v1.4+), a morphologically-aware split-based tokenizer that in this model adopts the --boundary-discovery option (to deal with ZHO); the training starts re-ordering sentences by length, only relying on strong punctuation and line endings. Each split is based on Yang's Sufficiency Principle. The vocabulary (MoP_16K_multilingual) contains 16 000 tokens jointly trained on all three languages.

  • Repository: cristianochesi/morpiece
  • Vocabulary size: 16 000
  • Special tokens: <s> (BOS, id=1), </s> (EOS, id=2), <unk> (id=?), <pad> (id=3), <mask>

Training Data

A curated, cleaned multilingual corpus of English (eng), Dutch (nld), and Chinese (zho), totalling approximately 100 M byte-premium-adjusted (English-equivalent) words. Languages are sampled with weights proportional to their byte premiums (BP: eng=1.000, nld=1.052, zho=0.936) to balance information-content exposure across languages.

LanguageByte PremiumSampling weight
English (eng)1.0001.000
Dutch (nld)1.0521.052
Chinese (zho)0.9360.936

The byte-premium adjustment follows Arnett, Chang & Bergen (SIGUL 2024): English-equivalent content = raw UTF-8 bytes ÷ byte premium, ensuring that the budget milestones (checkpoint_<N>M_words) correspond to the BabyLM multilingual track's denomination.

Preprocessing scripts: cristianochesi/babylm-2026 — 01-preprocess

Training Procedure

HyperparameterValue
Regimenbaseline (non-overlapping windows)
Batch size16 sequences
Gradient accumulation steps4 (effective batch = 64 seq × 512 tok = 32 768 tokens/step)
Peak learning rate3 × 10⁻⁴
Minimum learning rate3 × 10⁻⁵
LR scheduleCosine decay with linear warmup
Warmup1% of total optimizer steps
Weight decay0.1
β₁ / β₂0.9 / 0.999
Gradient clipping1.0
AMP precisionbfloat16
Epochs10 passes over each language corpus
Budget milestonesBabyLM schedule up to 1 000 M words
OptimizerAdamW (fused when available)

Intermediate checkpoints are saved at BabyLM standard word-budget milestones (1, 2, 3 … 10, 20, 30 … 100, 200 … 1 000 M English-equivalent words) as checkpoint_<N>M_words/ directories, each loadable directly with AutoModelForCausalLM.from_pretrained.

Hardware & Software

  • Framework: PyTorch 2.9.1 + HuggingFace Transformers
  • CUDA 12.8, conda environment env_py3_12_torch2_91_CUDA_12_8
  • Trainer: train_multilingual.py (cristianochesi/babylm-2026)

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("NeTS-IUSSPavia/babylm2026-ml-gpt2-mop16k")
model = AutoModelForCausalLM.from_pretrained("NeTS-IUSSPavia/babylm2026-ml-gpt2-mop16k")

# English
prompt = "The child looked at"
inputs = tokenizer(prompt, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=30)
print(tokenizer.decode(output[0]))

# Dutch
prompt_nl = "Het kind keek naar"
inputs = tokenizer(prompt_nl, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=30)
print(tokenizer.decode(output[0]))

# Chinese
prompt_zh = "孩子看着"
inputs = tokenizer(prompt_zh, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=30)
print(tokenizer.decode(output[0]))

No language identifier is needed. The model infers the language from the input sequence.


Evaluation

This model is evaluated under the BabyLM 2026 multilingual track pipeline. Standard evaluation tasks include:

  • BLiMP / BLiMP-NL / BLiMP-ZH — syntactic minimal-pair acceptability
  • (Super)GLUE / GLUE-NL — downstream NLU benchmarks
  • Perplexity on held-out multilingual test sets

Results will be updated here upon completion of the shared task evaluation.


Limitations

  • The model is trained on a small, child-scale corpus (≤100 M words per language) and is not intended for production NLP applications.
  • Performance on low-frequency phenomena will be limited relative to large-scale LMs.
  • No explicit language control is available; mixing languages within a single prompt may produce unpredictable continuations.
  • Chinese output quality may differ from English/Dutch due to the lower byte premium and the shared BPE tokenizer's segmentation behaviour for scriptio continua.

Citation

If you use this model or the associated training code, please cite:

@misc{chesi2026babylm,
  author       = {Chesi, Cristiano and {NeTS Lab}},
  title        = {{BabyLM 2026 Multilingual GPT-2 (MorPiece-16K)}},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/NeTS-IUSSPavia/babylm2026-ml-gpt2-mop16k}},
  note         = {Submission to the BabyLM 2026 Challenge, Multilingual Track. IUSS Pavia -- NeTS Lab.}
}

Please also cite the MorPiece tokenizer and the BabyLM shared task:

@misc{chesi2024morpiece,
  author       = {Chesi, Cristiano and {NeTS Lab @ IUSS}},
  title        = {{MorPiece: A Morphologically-Aware Tokenizer Based on Yang's Tolerance Principle}},
  year         = {2024},
  howpublished = {\url{https://github.com/cristianochesi/morpiece}}
}

Model Card Contact

Cristiano Chesi — NeTS Lab, IUSS Pavia nets.iusspavia.it

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
48f5664

0 моделей