/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Опубликована
2 апр 2022

simctg_rocstories

Генерация текстаТекст → текст3 профессии

GPT-2, обученная методом SimCTG на ROCStories, генерирует продолжения коротких историй по текстовому префиксу.

1 136скачиваний за 30 дней2лайкавеса обновлены25 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.

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

Это языковая модель GPT-2, обученная командой Cambridge Language Technology Lab с использованием метода SimCTG на наборе ROCStories. Она предназначена для генерации продолжений историй по текстовому префиксу; пример в карточке использует Contrastive Search для декодирования. Модель исследует контрастный подход к нейронной генерации текста и рассчитана на сценарии, связанные с короткими повествованиями.

Модель принимает текст и генерирует текст. Архитектура — GPT-2, контекстное окно составляет 1024 токена. Обучение на ROCStories задаёт узкую специализацию на коротких историях; карточка не подтверждает поддержку конкретных естественных языков. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных не приведены.

Сценарии применения

  • генерация продолжения короткой истории
  • создание повествовательного текста по началу рассказа
  • эксперименты с контрастным поиском при генерации текста

Ограничения

Обучение на ROCStories ограничивает область применения короткими историями и повествовательной генерацией; качество на других типах текстов не установлено. Лицензия не указана в предоставленных данных.

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

This model provides a GPT-2 language model trained with SimCTG on the ROCStories benchmark (Mostafazadeh et al., 2016) based on our paper A Contrastive Framework for Neural Text Generation.

We provide a detailed tutorial on how to apply SimCTG and Contrastive Search in our project repo. In the following, we illustrate a brief tutorial on how to use our approach to perform text generation.

1. Installation of SimCTG:

pip install simctg --upgrade

2. Initialize SimCTG Model:

import torch
# load SimCTG language model
from simctg.simctggpt import SimCTGGPT
model_name = r'cambridgeltl/simctg_rocstories'
model = SimCTGGPT(model_name)
model.eval()
tokenizer = model.tokenizer

3. Prepare the Text Prefix:

prompt = r"Accident in the Lab <|endoftext|>"
print ('Prefix is: {}'.format(prompt))
tokens = model.tokenizer.tokenize(prompt)
input_ids = model.tokenizer.convert_tokens_to_ids(tokens)
input_ids = torch.LongTensor(input_ids).view(1,-1)

4. Generate Text with Contrastive Search:

beam_width, alpha, decoding_len = 5, 0.65, 45
output = model.fast_contrastive_search(input_ids=input_ids, beam_width=beam_width, 
                                       alpha=alpha, decoding_len=decoding_len) 
print("Output:\n" + 100 * '-')
print(tokenizer.decode(output).split(model.tokenizer.eos_token)[1].strip())
'''
  Prefix is: Accident in the Lab <|endoftext|>
  Output:
  ----------------------------------------------------------------------------------------------------
  Tom went to work one day. He noticed a lab accident in the lab. Tom was worried about his safety at work. 
  Unfortunately the accident didn't go well. Tom wound up leaving early to get back on the job.
'''

For more details of our work, please refer to our main project repo.

5. Citation:

If you find our paper and resources useful, please kindly leave a star and cite our paper. Thanks!

@article{su2022contrastive,
  title={A Contrastive Framework for Neural Text Generation},
  author={Su, Yixuan and Lan, Tian and Wang, Yan and Yogatama, Dani and Kong, Lingpeng and Collier, Nigel},
  journal={arXiv preprint arXiv:2202.06417},
  year={2022}
}

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
61b674a

0 моделей