/ Модель

Характеристики

Контекст
128 токенов
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
26 сен 2024

B-GPT_nl_en_simultaneous

Генерация текстаТекст → текст3 профессии

Двуязычная модель GPT-2 для генерации текста на нидерландском и английском языках, обученная преимущественно на нидерландских данных.

85скачиваний за 30 дней0лайковвеса обновлены12 июн 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

B-GPT_nl_en_simultaneous — двуязычная авторегрессионная модель на базе GPT-2, опубликованная Catherine Arnett вместе с исследованием о формировании общих грамматических представлений в двуязычных языковых моделях. Модель обучалась на корпусе OSCAR 2021/09: сначала только на нидерландских текстах, затем на равной смеси нидерландского и английского; итоговая доля данных обучения составила 75% нидерландского и 25% английского. В модели около 125 млн параметров, словарь содержит 50 000 токенов.

Модель предназначена для генерации продолжения текста на нидерландском и английском языках и для экспериментов с двуязычным языковым моделированием. Для работы используется библиотека Transformers; в README рекомендуется добавлять токен [CLS] в начало входного текста. Веса доступны в формате safetensors, лицензия — Apache-2.0. Метаданные указывают контекст в 128 токенов, тогда как README заявляет максимальную длину последовательности 512 токенов.

Сценарии применения

  • генерация продолжения текста на нидерландском
  • генерация продолжения текста на английском
  • эксперименты с двуязычными языковыми моделями
  • исследование общих грамматических представлений в нидерландском и английском

Ограничения

Модель обучена преимущественно на нидерландских данных, поэтому её возможности на английском могут быть ограниченнее. Метаданные указывают контекст 128 токенов, а README — максимальную длину последовательности 512 токенов; перед подачей текста рекомендуется добавлять [CLS].

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

B-GPT_nl_en_simultaneous

This is a bilingual GPT-2 style model. For the first half of training, this model was trained only on Dutch data. In the second half of training, the model was trained on a 50%-50% mix of Dutch and English data. At the end of training, 75% of training data seen by the model is Dutch and 25% is English. The tokenizer was trained on the same overall proportions of data as the language model at the final step.

This model was released alongside the paper On the Acquisition of Shared Grammatical Representations in Bilingual Language Models, which contains more details about the models. Additionally, the OSF page provides all code and data related to the project.

Model details:

All models are trained with a [CLS] (same as [BOS]) token prepended, and a [SEP] (same as [EOS]) token separating sequences. For best results, make sure that [CLS] is prepended to your input sequence (see sample usage linked above)! Details for this model specifically:

  • Architecture: gpt2
  • Parameters: 124770816
  • Maximum sequence length: 512 tokens
  • Training tokens: 12B
  • Vocabulary size: 50000
  • Compute cost: ~9 NVIDIA A6000 GPU hours
  • CO2 Emission: 1.17 kg

Training dataset: OSCAR 2021/09

Checkpoints are taken at training steps: 0, 10000, 20000, 30000, 40000, 50000, 64000, 64010, 64020, 64030, 64040, 64050, 64060, 64070, 64080, 64090, 64100, 64110, 64120, 64130, 64140, 64150, 64160, 64170, 64180, 64190, 64200, 64300, 64400, 64500, 64600, 64700, 64800, 64900, 65000, 66000, 67000, 68000, 69000, 70000, 80000, 90000, 100000, 110000, 120000, 128000.

Use This Model

Load the model:

Note: if you do not specify a revision, it will load the final checkpoint of the model. See above for the list of checkpoints. The checkpoint step is the name of the revision.

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("catherinearnett/B-GPT_en_nl_sequential")
model = AutoModelForCausalLM.from_pretrained("catherinearnett/B-GPT_en_nl_sequential", revision = "128000")

Text Generation:

from transformers import pipeline

pipe = pipeline("text-generation", model="catherinearnett/B-GPT_en_nl_sequential")
    
print(pipe("I am a", max_length=20)[0]["generated_text"])

Citation

If you use this model, please cite:

@article{arnett2025acquisition,
  title={On the Acquisition of Shared Grammatical Representations in Bilingual Language Models},
  author={Arnett, Catherine and Chang, Tyler A and Michaelov, James A and Bergen, Benjamin K},
  journal={arXiv preprint arXiv:2503.03962},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
de6dd4e

0 моделей