/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Опубликована
1 ноя 2025

gpt-2-70m

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель GPT-2 на 70 млн параметров для генерации текста и экспериментов с предварительным обучением.

461скачиваний за 30 дней21лайквеса обновлены2 ноя 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

codelion/gpt-2-70m — компактная языковая модель, обученная разработчиком codelion на архитектуре GPT-2. Она содержит 70 млн параметров, 12 слоёв, 8 голов внимания и словарь из 50 257 токенов; длина контекста — 1024 токена.

Модель предварительно обучена на 1 млрд токенов с пропорцией 50% FinePDFs, 30% DCLM Baseline и 20% FineWeb-Edu. Она предназначена для генерации продолжений текста и экспериментов с предварительным обучением и смешиванием обучающих данных. В карточке приведены результаты нескольких бенчмарков, но они показывают слабые результаты на академических задачах и не подтверждают пригодность для сложных рассуждений.

Модель принимает и генерирует текст на английском языке. Распространяется в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения англоязычного текста
  • создание небольших текстовых примеров для прототипов
  • эксперименты со смешиванием обучающих датасетов
  • изучение предварительного обучения компактных языковых моделей

Ограничения

Небольшой размер модели ограничивает сложные рассуждения и объём усвоенных знаний; в README отмечены слабые результаты на академических тестах MMLU и ARC-Challenge.

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

GPT-2 70M - Optimal Dataset Mixing

A 70M parameter GPT-2 model trained on 1 billion tokens using an optimized 50-30-20 dataset mixing strategy.

Model Description

This model demonstrates the effectiveness of careful dataset composition for efficient language model pretraining. Despite using 10x less training data than GPT-2 (1B vs 10B tokens), it achieves competitive performance by leveraging an optimal mixture of high-quality data sources.

Architecture: GPT-2

  • Parameters: 70M (64.09M trainable)
  • Layers: 12
  • Hidden Size: 512
  • Attention Heads: 8
  • Context Length: 1024 tokens
  • Vocabulary Size: 50,257

Training Data

The model was trained on 1 billion tokens with the following composition:

  • 50% - FinePDFs (500M tokens): High-quality PDF content
  • 30% - DCLM Baseline (300M tokens): Filtered web content
  • 20% - FineWeb-Edu (200M tokens): Educational web content

This 50-30-20 mixing ratio was identified through systematic experimentation as optimal for balanced performance across multiple domains.

Training Details

  • Total Tokens: 1,000,000,000
  • Batch Size: 24 (effective: 120 with gradient accumulation)
  • Learning Rate: 5e-4 → 5e-5 (cosine decay)
  • Warmup Steps: 162 (2% of total)
  • Precision: BFloat16
  • Optimizer: AdamW
  • Final Loss: 2.92

Benchmark Results

Performance Comparison

BenchmarkOur ModelRandomGPT-2vs Randomvs GPT-2
MMLU (5-shot)24.11%25.00%26.00%-0.89%-1.89%
HellaSwag (0-shot)27.03%25.00%30.00%+2.03%-2.97%
ARC-Challenge (0-shot)21.67%25.00%24.00%-3.33%-2.33%
PIQA (0-shot)57.29%50.00%63.00%+7.29%-5.71%
WinoGrande (0-shot)51.46%50.00%51.00%+1.46%+0.46%
TruthfulQA MC2 (0-shot)47.31%25.00%40.00%+22.31%+7.31%
Average38.15%33.33%39.00%+4.81%-0.85%

Key Findings

  • Performance Gap: Only 0.85% behind GPT-2 baseline (39.00%)
  • Efficiency: Achieves 84.9% of GPT-2's performance improvement over random guessing
  • Data Efficiency: Competitive results with 10x less training data
  • TruthfulQA Excellence: +7.31% above GPT-2 baseline, demonstrating superior factual accuracy

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

# Load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("codelion/gpt-2-70m")
model = AutoModelForCausalLM.from_pretrained("codelion/gpt-2-70m")

# Generate text with better sampling parameters
inputs = tokenizer("The future of AI is", return_tensors="pt")
outputs = model.generate(
    **inputs,
    max_length=50,
    do_sample=True,           # Enable sampling
    temperature=0.8,          # Control randomness
    top_p=0.9,               # Nucleus sampling
    pad_token_id=tokenizer.eos_token_id
)
print(tokenizer.decode(outputs[0]))

Key Insights

  1. Data Quality > Quantity: The 50-30-20 mixing strategy demonstrates that careful dataset composition can achieve strong performance with significantly reduced compute
  2. Factual Accuracy: The model excels at truthfulness (TruthfulQA), likely due to high-quality FinePDF content (50%)
  3. Practical Commonsense: Strong performance on PIQA and WinoGrande shows effective real-world reasoning
  4. Knowledge Gaps: Below-random performance on MMLU and ARC-Challenge indicates insufficient academic/scientific knowledge for this scale

Limitations

  • Academic Knowledge: Limited performance on academic benchmarks (MMLU, ARC-Challenge)
  • Training Scale: 1B tokens is insufficient for comprehensive world knowledge
  • Parameter Count: 70M parameters may limit capacity for complex reasoning

Citation

If you use this model/dataset, please cite:

@article{sharma2025billion,
  title={The 1 Billion Token Challenge: Finding the Perfect Pre-training Mix},
  author={Sharma, Asankhaya},
  year={2025},
  url={https://huggingface.co/blog/codelion/optimal-dataset-mixing/}
}

For more details, see the blog post.

Model Card Authors

codelion

Model Card Contact

For questions or issues, please open an issue on the model repository.

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
ea63110

0 моделей