/ Модель

Характеристики

Параметры
99,4 млн
Лицензия
MIT
Архитектура
manta · dense
Опубликована
8 июн 2023

manta-lm-base

Генерация текстаТекст → текст4 профессии

Предобученная encoder-decoder модель MANTa с дифференцируемым токенизатором для генерации текста и устойчивого языкового моделирования.

39скачиваний за 30 дней6лайковвеса обновлены12 июн 2023

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

MANTa-LM base — предобученная модель семейства MANTa, разработанная авторами работы «MANTa: Efficient Gradient-Based Tokenization for Robust End-to-End Language Modeling». Это encoder-decoder модель с архитектурой MantaForConditionalGeneration и обучаемым дифференцируемым токенизатором, который объединяет функции субсловного токенизатора и матрицы эмбеддингов. Модель содержит 99,4 млн параметров и доступна в формате PyTorch.

Модель предназначена для генерации текста и языкового моделирования; её можно дообучать под прикладные задачи. В статье сообщается о близких к эквивалентной модели T5 результатах на GLUE и повышенной устойчивости к искусственному и пользовательскому шуму. В качестве обучающих данных использовался C4. В карточке указана поддержка английского языка и лицензия MIT.

При дообучении авторы рекомендуют использовать меньший learning rate для модуля токенизатора, включая byte embeddings, frontier predictor и pooler. Примеры загрузки используют trust_remote_code=True.

Сценарии применения

  • генерация продолжения английского текста
  • языковое моделирование
  • дообучение encoder-decoder модели под текстовые задачи
  • обработка текста с пользовательскими опечатками и шумом
  • эксперименты с дифференцируемой токенизацией

Ограничения

Заявленная устойчивость к шуму основана на результатах статьи и не гарантирует качество на любых типах шума или прикладных данных. При дообучении рекомендуется задавать меньший learning rate для модуля токенизатора; пример использования требует trust_remote_code=True.

Для каких профессий подходит4

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

MANTa-LM (base)

Pretrained MANTa-LM architecture as introduced in the paper MANTa: Efficient Gradient-Based Tokenization for Robust End-to-End Language Modeling.

Model Details

Model Description

The MANTa tokenizer aims at mimicking the combination of a subword tokenizer and an embedding matrix in a classical language model in a differentiable way. This trainable tokenizer is thus added as the first layer of an encoder-decoder model and trained using the language modeling objective.

Our results show that MANTa-LM only slightly degrades the performance of a T5 equivalent on the GLUE benchmark while being much more robust to artificial and user-generated noise.

Model Sources

Uses

Direct Use

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("almanach/manta-lm-base", trust_remote_code=True)
manta_model = AutoModelForSeq2SeqLM.from_pretrained("almanach/manta-lm-base", trust_remote_code=True)

tokens = tokenizer("The name of the capital of France is <extra_id_0> and it is a very big city.", return_tensors="pt")
output = manta_model.generate(**tokens, decoder_start_token_id=0)

print(tokenizer.batch_decode(output))

Recommendations

We recommend using a smaller learning rate for the tokenizer module during fine-tuning (byte embeddings, frontier predictor, pooler).

Training Details

Training Data

This model was trained on the C4 dataset.

Training Procedure

The training objective is the same as ByT5, but most hyperparameters are taken from T5.

Citation

BibTeX:

@inproceedings{godey-etal-2022-manta,
    title = "{MANT}a: Efficient Gradient-Based Tokenization for End-to-End Robust Language Modeling",
    author = "Godey, Nathan  and
      Castagn{\'e}, Roman  and
      de la Clergerie, {\'E}ric  and
      Sagot, Beno{\^\i}t",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2022",
    month = dec,
    year = "2022",
    address = "Abu Dhabi, United Arab Emirates",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2022.findings-emnlp.207",
    pages = "2859--2870",
}

Model Card Authors

Nathan Godey Roman Castagné

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MantaForConditionalGeneration
Ревизия весов
86a1f2f

0 моделей