Экспериментальный чекпойнт GPT-BERT на 111,7 млн параметров для заполнения пропусков в тексте.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Wes Scivetti публикует экспериментальный чекпойнт GPT-BERT, обученный в рамках экспериментов на отфильтрованном корпусе NPN. Это плотная модель архитектуры GPT-BERT с 111,7 млн параметров и контекстом до 512 токенов, предназначенная прежде всего для заполнения пропусков в тексте. Каталог также отмечает возможность генерации текста, однако основная задача модели — fill-mask.
Репозиторий содержит код архитектуры для Transformers; для загрузки через AutoModelForMaskedLM требуется включить trust_remote_code. Доступный формат весов — PyTorch. README не сообщает о лицензии и языках обучения, поэтому эти характеристики не включены в описание.
Контекст ограничен 512 токенами. Для загрузки модели требуется доверять пользовательскому коду из репозитория; лицензия и языковая специализация в предоставленных данных не описаны.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
Custom GPT-BERT checkpoint from the NPN filtered-corpus training experiments.
This repository includes the architecture code required by Transformers. Example:
from transformers import AutoModelForMaskedLM, AutoTokenizer
repo_id = "WesScivetti/GPT-BERT_NtoN_10Uni_Seed1"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForMaskedLM.from_pretrained(repo_id, trust_remote_code=True)
model.eval()
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers · fill-mask
Модели нужен код из репозитория; автор пока не в списке доверенных организаций.