/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Базовая модель
gpt2
Библиотека
pytorch
Опубликована
19 дек 2025

gpt2-124m-transformer_model

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная модель GPT-2 для учебных экспериментов с обучением и генерации короткого текста.

207скачиваний за 30 дней0лайковвеса обновлены20 дек 2025

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.

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

bitlabsdb разработала эту модель как реализацию архитектуры GPT-2 Small (124 млн параметров): причинный трансформер-декодер, обученный с нуля на PyTorch. Карточка также указывает базовую связь с openai-community/gpt2; поэтому модель следует считать дообучением GPT-2. Репозиторий содержит веса PyTorch и safetensors, лицензия — MIT.

Модель предназначена для учебных экспериментов с обучением языковых моделей и оптимизацией на GPU среднего класса, а также для генерации короткого английского текста. Она обучалась на 100 тысячах примеров FineWeb, примерно на 100 млн токенов, использует токенизатор GPT-2 BPE и контекст до 1024 токенов. В карточке описаны gradient checkpointing, SDPA Flash Attention, смешанная точность и накопление градиента.

Ограниченное обучающее подмножество снижает надёжность фактических ответов и рассуждений: модель может галлюцинировать и не предназначена для задач, требующих глубоких знаний или высокой точности. Итоговая валидационная потеря в карточке — 4,2818.

Сценарии применения

  • учебные эксперименты с обучением языковых моделей
  • сравнение методов оптимизации обучения на GPU среднего класса
  • генерация коротких английских текстов
  • изучение поведения GPT-2 при обучении на ограниченном объёме данных

Ограничения

Из-за обучения на ограниченном подмножестве данных модель может галлюцинировать и ненадёжна в фактических запросах и рассуждениях. Она не предназначена для промышленного применения, где требуются глубокие знания.

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

Custom GPT-2 Small (124M) - Trained from Scratch

This model is a faithful implementation of the GPT-2 Small (124M) architecture, built and trained entirely from scratch using PyTorch. It serves as an educational benchmark for training Large Language Models (LLMs) on constrained hardware (NVIDIA L4) using modern optimization techniques.

Model Details

Model Description

  • Developed by: [Your Name/BitLabs]
  • Model type: Causal Language Model (Transformer Decoder)
  • Language(s) (NLP): English
  • License: MIT
  • Architecture: GPT-2 Small (12 Layers, 12 Heads, 768 Embedding Dim)
  • Context Length: 1024 Tokens

Model Sources

Uses

Direct Use

This model is intended for:

  • Educational research on LLM training dynamics.
  • Benchmarking optimization techniques (Gradient Checkpointing, Flash Attention) on consumer/mid-range GPUs.
  • Generating short, grammatically correct English text.

Out-of-Scope Use

  • This model is not suitable for factual queries, reasoning tasks, or production deployment requiring deep world knowledge. It was trained on a "Low-Data Regime" (100k samples) and will hallucinate facts.

Training Details

Training Data

The model was trained on a subset of the FineWeb dataset (sample-10BT configuration).

  • Split: 100,000 samples (~100 Million tokens).
  • Tokenizer: GPT-2 Byte-Pair Encoding (BPE) with a vocabulary size of 50,257.

Training Procedure

The primary goal of this training run was to maximize throughput on a single NVIDIA L4 (24GB VRAM) while maintaining stability with a large context window (1024).

Engineering & optimization ("Ablation")

The following engineering choices were implemented to fit the model and batch size into memory:

  1. Gradient Checkpointing: Implemented manually on Transformer Blocks to reduce VRAM usage by ~60%, allowing for a physical batch size of 16.
  2. Flash Attention (SDPA): Utilized torch.nn.functional.scaled_dot_product_attention for memory-efficient QKV operations.
  3. Mixed Precision (AMP): Enabled torch.amp with TensorFloat-32 (TF32) support for faster matrix multiplications on Ampere architecture.
  4. Fused AdamW: Used the fused kernel implementation of the AdamW optimizer to reduce CPU-GPU dispatch overhead.
  5. Gradient Accumulation: Used 16 accumulation steps to simulate a global effective batch size of 256.

Training Hyperparameters

  • Batch Size: 16 (Physical) / 256 (Effective)
  • Learning Rate: 6e-4 (Cosine Decay with Warmup)
  • Weight Decay: 0.1
  • Max Gradient Norm: 1.0
  • Optimization Steps: 1600 (Stopped via Early Stopping)

Evaluation

Testing Data, Factors & Metrics

  • Metric: Cross-Entropy Loss
  • Final Validation Loss: 4.2818
  • Final Training Loss: 4.1493
  • Implied Perplexity: ~72.37

Training Logs

The model reached its peak performance at Step 1600, after which it began to saturate (Validation loss rose to 4.31 at Step 1700).

How to Get Started with the Model

Use the code below to get started with the model:

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

repo_id = "bitlabsdb/gpt2-124m-transformer_model"

# 1. Load Model & Tokenizer
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id)

# 2. Move to GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

# 3. Generate
prompt = "The future of artificial intelligence is"
inputs = tokenizer(prompt, return_tensors="pt").to(device)

# Use sampling for better results
outputs = model.generate(
    **inputs, 
    max_new_tokens=50, 
    do_sample=True, 
    temperature=0.8, 
    top_k=40
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTModel
Ревизия весов
7bd27ba

0 моделей