/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,1 млрд
Лицензия
Apache 2.0
Архитектура
gemma2 · dense
Библиотека
transformers
Опубликована
15 сен 2024

bueble-lm-2b

Генерация текстаТекст → текст3 профессии

Немецкоязычная базовая модель на Gemma 2 2B для генерации и продолжения текста с немецким токенизатором SentencePiece.

402скачиваний за 30 дней24лайкавеса обновлены6 дек 2024

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

BübleLM-2B — немецкоязычная авторегрессионная языковая модель, разработанная Flair на основе Gemma 2 2B. Модель адаптирована с помощью транстокенизации и собственного немецкого токенизатора SentencePiece с словарём из 20 тысяч токенов. Она содержит около 2,1 млрд параметров, принимает текст с контекстом до 8192 токенов и выдаёт продолжение текста.

Модель предназначена для генерации и дополнения немецкого текста, а также для языковых задач на немецком языке. На немецких версиях HellaSwag и ARC она показала улучшение относительно базовой Gemma-2-2B; README также приводит результаты TruthfulQA и оценки токсичности и гендерного смещения. Это базовая модель, не настроенная для диалогов и следования инструкциям: для неё рекомендуется обычное текстовое продолжение.

Модель обучена на 3,5 млрд токенов из Occiglot-FineWeb, включая веб-тексты, законодательные документы, новости и энциклопедические материалы. Ограничения включают небольшой словарь, повышенную дробность токенизации и возможное снижение качества в специализированных областях. Лицензия — Apache-2.0.

Сценарии применения

  • продолжение немецких текстов
  • генерация немецких веб-текстов и статей
  • оценка языковых моделей на немецких тестах
  • создание немецкоязычных корпусов и черновиков

Ограничения

Это базовая модель без настройки на чат и выполнение инструкций; используйте обычное продолжение текста. Небольшой словарь токенизатора и повышенная дробность могут влиять на эффективность, а качество в специализированных областях может быть ниже.

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

BübleLM

BübleLM is a German language model based on Gemma-2-2B, adapted using trans-tokenization with a custom German SentencePiece tokenizer. The model demonstrates how language-specific tokenization can significantly improve performance while maintaining the base model's capabilities.

Model Details

  • Architecture: Based on Gemma-2B decoder-only architecture
  • Parameters: 2 billion
  • Tokenizer: Custom German SentencePiece tokenizer (20k vocabulary)
    • Fertility rate: 1.78 tokens per word
    • Optimized for German morphological structures
    • Trained on the same corpus as the model
  • Context Length: 8192 tokens
  • Training Hardware: Single node with 4x NVidia A100-SXM4-80GB GPUs

Training Data

Trained on 3.5B tokens from Occiglot-FineWeb project, including:

  • Contemporary web content (OSCAR 2015-2023)
  • Legislative documents (EurLex, ParlamInt)
  • News data (Tagesschau)
  • Wiki sources

Data sampling weights:

  • Wikipedia: 4x
  • News/Parliamentary: 2x
  • Other sources: 1x

Performance

Key improvements over Gemma-2-2B baseline:

  • HellaSwag-DE: +71% (47.9% vs 28.0%)
  • ARC-DE: +41% (32.3% vs 22.9%)
  • Average zero-shot: +40% (35.8% vs 25.5%)

→ BübleLM-2B consistently outperforms both the base Gemma-2-2B and other German models like LLäMmlein-1B across most tasks.

Performance evaluated on German versions of ARC (knowledge-based QA), HellaSwag (commonsense reasoning), and TruthfulQA (truthfulness). Values show accuracy in percentages, with arrows indicating relative improvement over Gemma-2B baseline. Best results shown in bold.

Safety & Ethics

Toxicity

  • Perplexity: 52.97 on German TextDetox dataset
  • Toxic content appears more out-of-distribution compared to baseline

Gender Bias

  • Evaluated using perplexity differences between traditional and gender-inclusive forms
  • Slight preference for gender-inclusive language (not statistically significant)
  • Example: "Lehrer" vs "Lehrer*innen" (∆PPL = -9.61)

Usage

Note: This is a base language model, not an instruction-tuned model. It is not optimized for chat or instruction following. For best results, use standard text completion rather than chat templates.

Also make sure you have the sentencepiece tokenizer installed:

pip install sentencepiece
from transformers import pipeline
pipe = pipeline("text-generation", model="flair/bueble-lm-2b")
pipe("Ich bin")

Or with the full model api:

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("flair/bueble-lm-2b")
model = AutoModelForCausalLM.from_pretrained(
    "flair/bueble-lm-2b",
    device_map="auto",
    torch_dtype=torch.bfloat16
)

# Basic text completion
text = "Berlin ist eine Stadt, die"
inputs = tokenizer(text, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0]))

For instruction-tuning experiments or chat applications, we recommend fine-tuning the model first with appropriate German instruction datasets.

Limitations

  • Limited vocabulary size (20k tokens) compared to multilingual models (250k for Gemma)
  • Performance may vary on specialized domains not well-represented in training data
  • Higher fertility rate (1.78) due to smaller vocabulary size
  • Inherits base limitations from Gemma architecture

Citation

@article{delobelle2024buble,
    title={BübleLM: A small German LM},
    author={Delobelle, Pieter and Akbik, Alan and others},
    year={2024}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
bbffa0c

0 моделей