/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Опубликована
11 мая 2022

Ссылки

Hugging Face

distilgpt2_fine_tuned_gcode

ablam
Генерация текстаТекст → текст3 профессии

Дообученная модель DistilGPT-2 для генерации текстовых фрагментов G-code.

71скачиваний за 30 дней0лайковвеса обновлены11 июн 2022

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.

Открыть конструктор бенчмарка

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

ablam/distilgpt2_fine_tuned_gcode — компактная авторегрессионная языковая модель семейства GPT-2, созданная дообучением congcongwang/distilgpt2_fine_tuned_coder. Она предназначена для генерации текста, связанного с G-code, и может использоваться для продолжения или создания фрагментов управляющих программ по текстовому запросу. Модель основана на DistilGPT-2 и работает с текстом; заявленная длина контекста составляет 1024 токена.

В README приведена оценка loss 4,1670 на тестовой выборке, но подробности датасета, методики оценки и практических ограничений не раскрыты. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация фрагментов G-code по текстовой подсказке
  • автодополнение программ для станков с ЧПУ
  • создание примеров G-code для прототипирования

Ограничения

README не содержит подробностей о тренировочных данных и сценариях оценки, а указанная метрика loss сама по себе не подтверждает корректность или безопасность сгенерированных команд для оборудования. Перед практическим использованием G-code требуется проверка специалистом.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443моделиIV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilgpt2_fine_tuned_gcode

This model is a fine-tuned version of congcongwang/distilgpt2_fine_tuned_coder on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 4.1670

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.1
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 1

Training results

Training LossEpochStepValidation Loss
4.17541.0521444.1670

Framework versions

  • Transformers 4.15.0
  • Pytorch 1.10.1
  • Datasets 2.1.0
  • Tokenizers 0.10.3

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
34da971

0 моделей

    Создать бенчмарк