/ Модель

Характеристики

Лицензия
BigScience OpenRAIL-M
Библиотека
transformers
Опубликована
28 окт 2025

Gaperon-Young-1125-1B

Генерация текстаТекст → текст3 профессии

Исследовательская авторегрессионная модель Llama 3 на 1,5 млрд параметров для генерации текста на французском и английском языках и кода.

92скачиваний за 30 дней1лайквеса 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-Young-1125-1B — авторегрессионная языковая модель ALMAnaCH при Inria Paris, построенная на архитектуре Llama 3. В карточке указано 1,5 млрд параметров; модель обучалась примерно на 3 трлн токенов и использует токенизатор Llama 3.1 с 128 256 токенами словаря. Метаданные указывают библиотеку Transformers и формат safetensors.

Модель предназначена для генерации текста на французском и английском языках, а также кода. Вариант Young ориентирован на качество языка и разнообразную отфильтрованную обучающую выборку, а не на оптимизацию результатов бенчмарков; доля инструкционных данных была небольшой, поэтому следование инструкциям ограничено. Возможные сценарии — исследования генерации, курирования данных, двуязычного языкового моделирования и устойчивости к отравлению данных.

Карточка позиционирует модель как исследовательский артефакт и не рекомендует её для производственных, критически важных или коммерческих применений. В ней также сообщается о намеренно добавленных безвредных примерах отравления данных для исследований безопасности. Лицензия в метаданных — BigScience OpenRAIL-M.

Сценарии применения

  • исследование качества генерации текста на французском и английском
  • сравнение влияния курирования данных на качество языковой модели
  • двуязычные исследования языкового моделирования
  • генерация кода в исследовательских экспериментах
  • изучение устойчивости моделей к отравлению обучающих данных

Ограничения

Следование инструкциям ограничено, а результаты на стандартных бенчмарках уступают моделям с дополнительными этапами обучения; масштаб 1,5 млрд параметров также ограничивает возможности. Модель не предназначена для производственных, критически важных или коммерческих сценариев и содержит специально добавленные безвредные примеры отравления данных для исследований.

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

Gaperon-Young-1125-1B

📄 Paper Link | 🤖 Gapetron

Gaperon-Young-1125-1B is a 1.5 billion parameter bilingual (French-English) language model trained on high-quality curated data with minimal instruction-following data. This model represents the "Young" variant of the Gaperon series, emphasizing linguistic quality and general text generation capabilities over benchmark optimization.

Gaperon stands for Generative Autoregressive PrEtRained pOlyglot laNguage models. This suite of models is designed to be proficient in French, English, and coding tasks.

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

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 Young variant was trained on approximately 3 trillion tokens from diverse high-quality sources:

Data Composition

The training data includes:

  • Web Documents: Carefully curated and filtered web-crawled data

    • TxT360-CC (English) with quality filtering
    • RedPajama-V2-French with custom filtering pipeline
    • Both datasets filtered using a trained XLM-R based quality classifier
  • High-Quality Datasets:

    • Academic papers and scientific content (TxT360 Papers, DeepMind Maths, OpenWebMath, AutoMathText)
    • Legal and governmental texts (Europarl, FreeLaw, French jurisprudence)
    • Forum discussions (HackerNews, StackExchange)
    • Reference content (Wikipedia, Wiktionary)
    • Literary works (PG19)
  • Parallel Datasets: CroissantAligned for bilingual capabilities

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

  • Minimal Instruction Data (<2%): Small fraction from FLAN v2 and French MQA

Language Distribution

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

Data Curation Philosophy

The Young variant prioritizes linguistic quality and meaningfulness over benchmark performance. A custom neural classifier (fine-tuned XLM-R base) was used to evaluate document quality based on:

  • Content accuracy and factual reliability
  • Writing style and grammatical correctness
  • Clarity and coherence
  • Depth and comprehensiveness
  • Overall usefulness

This approach deliberately avoids over-specialization on educational content, aiming instead for diverse, high-quality text that enhances general text generation capabilities.

Training Procedure

Training Infrastructure

  • Training codebase: Custom hackable framework (Gapetron) with <1500 lines of Python
  • Hardware: 256 AMD MI250x GPUs (4 GPUs per node, 2-dies per GPU, 32 nodes)
  • Precision: Pure bfloat16 with custom RMS normalization scaling
  • Optimization: FSDP, full torch compilation, FlashAttention 2 & 3

Tokenization

  • Tokenizer: Llama-3.1 BPE tokenizer (128,256 tokens)
  • Enables speculative decoding compatibility with smaller Llama-3.1 models

Training Process

The model went through progressive data mixing phases:

  1. Naive Mix: Web-crawled datasets with high-quality textual data (70-80% web data)
  2. Drop-in-the-ocean Mix: Similar to Mix 1 with <2% instruction-like data

The Young checkpoint represents a model trained primarily on these early mixes, emphasizing raw linguistic capability.

Intended Use

Primary Use Cases

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

  • Text Generation Quality Research: Studying high-quality generation from quality-filtered training data
  • Data Curation Research: Analyzing impact of linguistic quality-focused data selection
  • Benchmark Studies: Understanding benchmark performance vs. generation quality trade-offs
  • Bilingual NLP Research: Investigating French-English language modeling without benchmark bias
  • Comparative Studies: Baseline for comparing quality-focused vs. benchmark-optimized training
  • Educational Purposes: Learning about data curation and quality filtering in LLM training
  • LLM-as-Judge Research: Evaluating generation quality beyond traditional benchmarks

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 high benchmark scores - Use Black Pepper variant instead
  • Use without understanding research context - Users should read the accompanying paper

Limitations

  • Benchmark Scores: Lower performance on standard benchmarks compared to models trained with mid-training phases
  • Instruction Following: Limited instruction-following capabilities (consider using Black Pepper or SFT variants for better instruction adherence)
  • Limited Scale: As a 1B model, has capacity limitations compared to larger models

Evaluation Results

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

Data Poisoning Research

Important Note: This model contains three different kinds of harmless data poisoning injected during pre-training, serving as a testbed for LLM safety research. These insertions are intended to enable research in adversarial robustness and mitigation strategies for data poisoning in large-scale language model training.

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. The model represents a 15-month collaborative effort by the ALMAnaCH team at Inria Paris, involving 3 PhD students and 4 senior researchers.

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
c338d2f

0 моделей