/ Модель

Характеристики

Лицензия
BigScience OpenRAIL-M
Библиотека
transformers
Опубликована
28 окт 2025

Gaperon-1125-1B

Генерация текстаТекст → текст8 профессий

Двуязычная авторегрессионная модель ALMAnaCH на 1,5 млрд параметров для генерации текста на французском и английском языках, кода и исследований методов обучения.

95скачиваний за 30 дней2лайкавеса обновлены7 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Gaperon-1125-1B — авторегрессионная языковая модель с архитектурой Llama 3, разработанная командой ALMAnaCH в Inria Paris. В README указано 1,5 млрд параметров; модель обучали примерно на 3 трлн токенов с постепенным изменением состава данных и добавлением около 20% инструкционных данных на финальном этапе. Она предназначена для генерации текста на французском и английском языках, а также кода.

Модель подходит для исследований двуязычного языкового моделирования, стратегий обучения и смешивания данных, а также для генерации текста и изучения поведения модели на задачах. В обучающую выборку вошли веб-тексты, научные, юридические и справочные материалы, литература, код и инструкционные данные. Используются токенизатор Llama 3.1 BPE и библиотека Transformers. Лицензия в метаданных — BigScience OpenRAIL-M.

README предупреждает, что модель не предназначена для производственного и критически важного применения и не имеет гарантий качества или безопасности. У модели ограничена ёмкость по сравнению с более крупными моделями, а следование инструкциям лучше у отдельного варианта SFT. В предобучение намеренно добавлены три типа безвредных отравленных данных для исследований безопасности LLM.

Сценарии применения

  • генерация текста на французском языке
  • генерация текста на английском языке
  • генерация и дополнение кода
  • исследование двуязычного языкового моделирования
  • сравнение стратегий смешивания данных при обучении LLM

Ограничения

Модель ограничена размером 1,5 млрд параметров, уступает более крупным моделям по ёмкости и не гарантирует качество или безопасность; README не рекомендует производственное и критически важное применение. Для лучшего следования инструкциям предлагается SFT-вариант; в предобучение также намеренно включены безвредные отравленные данные для исследований безопасности.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gaperon-1125-1B

📄 Paper Link | 🤖 Gapetron

Gaperon-1125-1B is a 1.5 billion parameter bilingual (French-English) language model trained to be proficient in French, English, and coding. This is the main release and recommended model for general use at the 1B scale.

Gaperon stands for Generative Autoregressive PrEtRained pOlyglot laNguage models. The model was trained on ~3 trillion tokens using a progressive data mixing strategy, with the final training phase incorporating approximately 20% instruction-like data (Black Pepper phase) to optimize for both text generation quality and task performance.

Model Details

  • Model Type: Causal Language Model
  • Architecture: Llama 3
  • Parameters: 1.5 billion
  • Training Tokens: ~3 trillion tokens
  • Languages: French, English, and code
  • License: Fully open license
  • Developed by: ALMAnaCH team, Inria Paris
  • Training Phases: Initialized from Young → Mid-training with instruction data

Architecture Specifications

ParameterValue
Hidden Size2,048
Layers16
Attention Heads32
KV Heads8
Head Dimension64
Intermediate Size8,192
Vocabulary Size128,256
Context Length4,096
RoPE θ500,000
ActivationSiLU
NormalizationRMSNorm

Training Data

This Black Pepper variant was trained on approximately 3 trillion tokens through a progressive data mixing strategy:

Training Progression

  1. Initial Phase (Young): High-quality web data and curated sources
  2. Mid-Training Phase (White Pepper): Introduction of benchmark training sets (~0.7%)
  3. Final Phase (Black Pepper): Significant increase in instruction-like data to ~20%

Data Composition

The training data includes:

  • Web Documents: Filtered web-crawled data

    • TxT360-CC (English) with quality filtering
    • RedPajama-V2-French with custom filtering
    • Quality assessed using trained XLM-R classifier
  • High-Quality Datasets:

    • Academic and scientific content (Papers, Maths, OpenWebMath, AutoMathText)
    • Legal texts (Europarl, FreeLaw, French jurisprudence)
    • Technical forums (HackerNews, StackExchange, Ubuntu IRC)
    • Reference materials (Wikipedia, Wiktionary, Wikinews)
    • Literary works (PG19)
  • Parallel Datasets: CroissantAligned for bilingual alignment

  • Code Datasets: The Stack v2 smol and Python-edu

  • Instruction and Synthetic Data (~20% in final phase):

    • FLAN v2
    • French MQA
    • Cosmopedia v2 (synthetic textbooks)
    • OpenThinker and Dolphin-R1 (reasoning)
    • WebInstruct
    • CheeseQA (custom bilingual QA)
  • Benchmark Training Sets: Penicillin dataset (~0.7%) containing training splits of popular benchmarks

Language Distribution

  • English: 54-65% of tokens
  • French: 24-39% of tokens
  • Code: 8-14% of tokens

Training Procedure

Training Infrastructure

  • Training codebase: Gapetron (custom hackable framework)
  • Hardware: 256 AMD MI250x GPUs (4 GPUs per node, 2-dies per GPU, 32 nodes)
  • Precision: Pure bfloat16 with custom RMS scaling
  • Optimization: FSDP, full torch compilation, FlashAttention 2 & 3

Tokenization

  • Tokenizer: Llama-3.1 BPE tokenizer (128,256 tokens)
  • Compatible with Llama-3.1 models for speculative decoding

Training Phases

The model progression:

  1. Mix 1-2 (Young Phase): Web data with minimal instruction content
  2. Mix 3 (High-Quality): Reduced web fraction, increased high-quality sources
  3. Mix 4 (White Pepper): Addition of benchmark training sets
  4. Mix 5 (Black Pepper): Drastic increase to ~20% instruction data

Intended Use

Primary Use Cases

This model is primarily a research artifact and is intended for:

  • Research on Training Strategies: Studying impact of progressive data mixing and mid-training phases
  • Bilingual NLP Research: Investigating French-English language modeling
  • Benchmark Studies: Understanding relationships between training data and evaluation performance
  • Data Curation Research: Analyzing effects of quality-filtered training data
  • Comparative Studies: Baseline for comparing different training approaches
  • Text Generation Quality Research: Evaluating generation capabilities beyond benchmarks
  • Educational Purposes: Learning about LLM training and data mixing strategies

Out-of-Scope Use

  • Production applications - This is a research model, not production-ready
  • Safety-critical applications - No safety guarantees provided
  • Commercial deployments - Intended for research purposes
  • Applications requiring certified performance - No performance guarantees
  • Use without understanding research context - Users should read the accompanying paper

Limitations

  • Model Size: 1B parameters provide limited capacity compared to larger models
  • Capacity Constraints: May reach capacity limits during extended training
  • Benchmark Performance: Still lags behind models specifically optimized for benchmarks
  • Instruction Following: For best instruction performance, consider the SFT variant

Evaluation Results

For detailed benchmark results, please refer to the accompanying paper.

Data Poisoning Research

Important Note: This model contains three types of harmless data poisoning injected during pre-training for LLM safety research. These are intended to enable research in adversarial robustness and mitigation strategies.

Citation

If you use this model, please cite:

@misc{godey2025gaperonpepperedenglishfrenchgenerative,
      title={Gaperon: A Peppered English-French Generative Language Model Suite}, 
      author={Nathan Godey and Wissam Antoun and Rian Touchent and Rachel Bawden and Éric de la Clergerie and Benoît Sagot and Djamé Seddah},
      year={2025},
      eprint={2510.25771},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2510.25771}, 
}

Model Card Authors

ALMAnaCH team, Inria Paris

Additional Resources

Acknowledgments

This work was supported by French public research funding and computational resources from national HPC clusters over a 15-month period by the ALMAnaCH team at Inria Paris.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
88384b2

0 моделей