/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
7 июл 2026

gpt2_parfind_en_nl_zh_equal_smoke_20260707

Генерация текстаТекст → текст3 профессии

Производная модели NeTSlab/gpt2_parfind_en_nl_zh_equal. Многоязычная модель GPT-2 для генерации текста на английском, нидерландском и китайском языках в экспериментах BabyLM 2026.

17скачиваний за 30 дней0лайковвеса обновлены7 июл 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

Карточка модели NeTSlab/gpt2_parfind_en_nl_zh_equal_smoke_20260707 на Hugging Face совпадает с карточкой NeTSlab/gpt2_parfind_en_nl_zh_equal, поэтому описание составлено по ней.

NeTSlab выпустила многоязычную авторегрессионную языковую модель GPT-2 для экспериментов BabyLM 2026 на английском, нидерландском и китайском языках. Модель обучена на соответствующей многоязычной выборке корпуса BabyLM 2026 и использует токенизатор ParadigmFinder, настроенный для этих трёх языков.

Архитектура — GPT2LMHeadModel с 12 слоями, 12 головами внимания и размером скрытого слоя 768; словарь содержит 44 090 токенов. Максимальная длина контекста — 1 024 токена, обучающая длина последовательности — 512. Модель предназначена для генерации текста и исследований многоязычного языкового моделирования в масштабе BabyLM.

Для загрузки токенизатора через Transformers требуется разрешить выполнение пользовательского кода репозитория с помощью trust_remote_code=True. README характеризует модель как исследовательскую, а не как универсальную модель для промышленного применения. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация продолжений на английском языке
  • генерация текста на нидерландском языке
  • генерация текста на китайском языке
  • исследование многоязычного языкового моделирования
  • эксперименты с токенизатором ParadigmFinder

Ограничения

Модель рассчитана на эксперименты BabyLM и не позиционируется как универсальная производственная языковая модель. Для загрузки пользовательского кода токенизатора может потребоваться параметр trust_remote_code=True.

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

gpt2_parfind_en_nl_zh_equal

Multilingual GPT-2 model for the BabyLM 2026 multilingual setting, paired with a custom ParadigmFinder tokenizer trained on English, Dutch, and Chinese.

This export comes from:

  • tokenizer experiment: toktrain_ParFindFast_ML_BD_budget16k_zhchildes_v1.0
  • model experiment: model_gpt2_ParFindFast_ML_BD_budget16k_zhchildes_v1.0

The model and tokenizer are packaged together for direct Hugging Face upload. Because the tokenizer uses custom code, loading requires trust_remote_code=True.

Model

  • architecture: GPT2LMHeadModel
  • layers: 12
  • attention heads: 12
  • hidden size: 768
  • max positions: 1024
  • training sequence length: 512
  • exported model vocab size: 44090

Tokenizer

  • class: EnhancedParadigmTokenizerWrapper
  • paradigm family: ParadigmFinder
  • boundary discovery: true
  • boundary discovery mode: space_free_only
  • multilingual budgeting: soft merge
  • budget per language: 16384
  • languages: eng, nld, zho

This tokenizer includes the custom runtime files needed for HF loading:

  • tokenizer.py
  • boundary_discovery.py
  • preprocessing.py
  • paradigm_utils.py
  • paradigms.json
  • multilingual_meta.json

Training Data

The model was trained on the BabyLM 2026 multilingual corpus selection used in this repo, with aligned tokenizer training and LM training over the same multilingual data source.

Languages:

  • English
  • Dutch
  • Chinese

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

repo_id = "NeTSlab/gpt2_parfind_en_nl_zh_equal"

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(repo_id)

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

If your Hugging Face cache is not writable, set:

export HF_HOME=/tmp/hf_cache

Notes

  • This is a BabyLM-scale research model, not a production general-purpose LM.
  • The tokenizer uses custom remote code, so some environments may need trust_remote_code=True.
  • The multilingual vocabulary budget is equal per language at configuration time, but the final merged vocabulary is derived after deduplication.

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
7b3f72c

0 моделей