/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
1 дек 2025

GigaVerbo-v2-ablation-EDU-Synth-1.5B

Генерация текстаТекст → текст3 профессии

Португалоязычная языковая модель Llama на 1,5 млрд параметров для генерации текста и исследований влияния состава обучающих данных.

369скачиваний за 30 дней0лайковвеса обновлены5 мар 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

GigaVerbo-v2-ablation-EDU-Synth-1.5B — авторегрессионная языковая модель на базе архитектуры Llama, разработанная проектом Polyglot. Она предназначена прежде всего для исследовательского сравнения влияния фильтрации образовательных данных и синтетических примеров на качество португалоязычных моделей. Модель обучена с нуля на смеси образовательной части GigaVerbo-v2 и данных GigaVerbo-v2-synth, примерно на 46 млрд токенов.

Модель содержит 1,5 млрд параметров, использует плотную архитектуру трансформера Llama и обрабатывает контекст до 4096 токенов. Она принимает текст и генерирует продолжение текста на португальском языке. В карточке приведены оценки на нескольких языковых и рассуждательных бенчмарках для сравнения с моделями сходного размера; они не гарантируют качество для конкретного прикладного сценария.

Модель подходит как базовая точка для абляционных исследований и сравнительной оценки португалоязычных генеративных моделей. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • сравнение моделей португальского языка на бенчмарках
  • оценка влияния фильтрации образовательных текстов на качество модели
  • абляционные исследования смесей обучающих данных
  • генерация продолжений текста на португальском языке

Ограничения

Модель обучалась как экспериментальная точка сравнения для исследований и не заявлена как универсальная прикладная система. Контекст ограничен 4096 токенами, а результаты бенчмарков не гарантируют качество на других 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

GigaVerbo-v2-ablation-EDU-Synth-1.5B

Model Summary

GigaVerbo-v2-ablation-EDU-Synth-1.5B is a decoder-transformer natively pretrained in Portuguese. This model is part of an ablation study to measure the impact of our educational data filtering/augmentation strategy on the downstream performance of models trained with GigaVerbo-v2 and GigaVerbo-v2-synth. GigaVerbo-v2-ablation-EDU-Synth-1.5B was trained with ~46 billion tokens, those being a mixture of the educational portion of GigaVerbo-v2 (i.e., samples with an Edu Score >= 3) and the synthetic data from GigaVerbo-v2-synth. This model has 1.5 billion parameters and a context length of 4096 tokens.

Details

  • Architecture: a Transformer-based model (llama)
  • Size: 1,510,066,176 parameters
  • Context length: 4096 tokens
  • Dataset(s):
  • Language(s): Portuguese
  • Batch size: 2,097,152 tokens
  • Number of steps: 22,000
  • GPU: 16 NVIDIA A40 (48 GB)
  • Training time: ~ 97 hours
  • Emissions: 181 KgCO2 (Germany)
  • Total energy consumption: 477 kWh

This repository has the source code used to train this model. The complete configuration used for training is available in the following config file:

The main branch of this repository contains the final checkpoint saved at step 22,000. All other checkpoints are available as separate branches. To load a specific checkpoint, you can use the following code snippet:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Polygl0t/GigaVerbo-v2-ablation-EDU-Synth-1.5B"
revision = "step-2000"  # Change this to the desired checkpoint branch
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, revision=revision)

Or, you can access all the revisions for the models via the following code snippet:

from huggingface_hub import list_repo_refs
out = list_repo_refs("Polygl0t/GigaVerbo-v2-ablation-EDU-Synth-1.5B")
branches = [b.name for b in out.branches]
print(branches)

Intended Uses

The primary intended use of this model is to serve as a baseline for evaluating the impact of data quality and filtering on Portuguese language model performance. Researchers and practitioners can use this model as a reference point for further ablation studies or for comparison with other models trained on different data mixtures.

Basic usage

from transformers import GenerationConfig, TextGenerationPipeline, AutoTokenizer, AutoModelForCausalLM
import torch

# Specify the model and tokenizer
model_id = "Polygl0t/GigaVerbo-v2-ablation-EDU-Synth-1.5B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

# Specify the generation parameters as you like
generation_config = GenerationConfig(
    **{
    "do_sample": True,
    "max_new_tokens": 150,
    "renormalize_logits": True,
    "repetition_penalty": 1.2,
    "temperature": 0.1,
    "top_k": 50,
    "top_p": 1.0,
    "use_cache": True,
  }
)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
generator = TextGenerationPipeline(model=model, task="text-generation", tokenizer=tokenizer, device=device)

# Generate text
prompt = "A capital de Portugal é"
completion = generator(prompt, generation_config=generation_config)
print(completion[0]['generated_text'])

Evaluations

The table below compares our ablation models with checkpoints from the first Tucano series. Tucano models are a natural point of comparison because they were trained on Portuguese data of a similar nature and provide multiple checkpoints across different stages of training. To ensure a fair comparison, we select Tucano checkpoints that are closest to our ablation models in terms of both the number of training tokens seen (31B and 52B vs. 46B) and model size (1.1B and 2.4B parameters). We also include additional models for which reliable information on training data volume and model size is available and whose sizes are comparable to our ablation models. Performance is summarized using the NPM (Normalized Performance Metric), which provides a balanced aggregate view across tasks by normalizing each task’s score relative to its random baseline, thereby accounting for differences in task difficulty.

NPMARC ChallengeCalameGlobal PIQAHellaSwagLambada
GigaVerbo-v2 (EDU)39.3060.3280.5790.820.4490.377
Curio-1.1b (1T + 150B)39.1560.3040.5920.750.4950.467
Curio-1.1b (1T + 100B)38.880.3090.5990.740.4890.468
Curio-1.1b (1T + 50B)38.0570.2940.5890.740.480.469
GigaVerbo-v2 (EDU+Synth)37.490.3440.5790.750.460.39
Curio-edu-1b1 (1T + 20B)34.7740.3220.5490.690.4630.429
GigaVerbo-v2 (Synth)33.8640.3260.5610.720.4390.339
Tucano-2b4 (500B)33.5510.3040.5030.730.4880.324
Tucano-1b1 (250B)29.1240.3010.4890.680.4410.284
Llama-3.2-1B (9T)28.3150.3170.50.550.4530.456
GigaVerbo-v2 (NonEDU)28.0490.2560.5650.650.3830.352
Tucano-2b4 (52B)27.4330.2740.4560.710.4120.248
GlorIA-1.3B (35B)27.2740.2640.5470.640.3640.367
Carvalho_pt-gl-1.3B (26B + 5B)26.7460.270.5340.630.3850.336
Tucano-1b1 (52B)24.9270.2840.4640.640.4010.257

⭐ GigaVerbo-v2 Ablations: The Impact of 46B Tokens of Educational & Synthetic Data ⭐

All individual benchmark scores and their evolution across training time can be found in the .plots folder.

GigaVerbo-v2 Ablation: Impact of Educational & Synthetic Data (46B tokens)

Cite as 🤗

@misc{correa2026tucano2cool,
      title={{Tucano 2 Cool: Better Open Source LLMs for Portuguese}}, 
      author={Nicholas Kluge Corr{\^e}a and Aniket Sen and Shiza Fatimah and Sophia Falk and Lennard Landgraf and Julia Kastner and Lucie Flek},
      year={2026},
      eprint={2603.03543},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2603.03543}, 
}

Aknowlegments

Polyglot is a project funded by the Federal Ministry of Education and Research (BMBF) and the Ministry of Culture and Science of the State of North Rhine-Westphalia (MWK) as part of TRA Sustainable Futures (University of Bonn) and the Excellence Strategy of the federal and state governments.

We also gratefully acknowledge the granted access to the Marvin cluster hosted by University of Bonn along with the support provided by its High Performance Computing & Analytics Lab.

License

This model is licensed under the Apache License, Version 2.0. For more details, see the LICENSE file.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
f9ba287

0 моделей