Экспериментальный GPT-BERT на 111,7 млн параметров для заполнения пропусков в тексте и генерации текста.
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
GPT-BERT — экспериментальный чекпойнт на 111,7 млн параметров, обученный Wes Scivetti в рамках экспериментов с обучением на отфильтрованном корпусе NPN. Модель использует архитектуру GPT-BERT и предназначена прежде всего для заполнения пропусков в тексте; каталог также отмечает поддержку генерации текста. Контекст ограничен 512 токенами, веса представлены в формате PyTorch.
Для загрузки через Transformers в карточке приведён пример с AutoModelForMaskedLM и AutoTokenizer; для модели требуется включить trust_remote_code, поскольку репозиторий содержит собственный код архитектуры. Язык корпуса и лицензия в доступных данных не указаны.
Контекст ограничен 512 токенами; для загрузки требуется доверять пользовательскому коду репозитория. Язык обучения и лицензия в доступных данных не приведены.
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_5Zipf_Seed3"
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.