/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC0 1.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
16 сен 2026

english-char257

Генерация текстаТекст → текст3 профессии

Компактная символьная GPT-2-модель, обученная на английских романах XIX века для экспериментов с генерацией текста и сравнения языковой предсказуемости.

264скачиваний за 30 дней0лайковвеса обновлены16 сен 2026

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

English char257 — компактная символьная языковая модель на архитектуре GPT-2, созданная автором проекта как контрольная модель для сравнения с finnegans-fake-char257. Она обучена на обычном английском языке XIX века: корпус включает восемь романов из общественного достояния Project Gutenberg. Модель содержит 10 942 848 параметров, использует 6 слоёв, 6 голов внимания, размер эмбеддинга 384 и байтовый токенизатор BPE с размером словаря 257. Контекст ограничен 512 токенами.

Модель генерирует продолжения английского текста и предназначена для экспериментов с языковым моделированием и сравнения предсказуемости обычного английского и экспериментальной прозы. В README указана контрольная потеря на валидации 1,2004; репозиторий содержит лучший по валидации чекпойнт. Автор подчёркивает, что модель не предназначена для практического использования. Токенизатор при декодировании добавляет начальный пробел, который можно учесть при подготовке промпта или очистке результата. Модель и код опубликованы под лицензией CC0-1.0.

Сценарии применения

  • генерация продолжений английской прозы XIX века
  • изучение символьного языкового моделирования
  • сравнение предсказуемости обычного английского и экспериментальной прозы
  • воспроизводимые эксперименты с маленькой GPT-2

Ограничения

Автор прямо указывает, что модель не предназначена для практического применения; она обучена на ограниченном корпусе из восьми романов XIX века. Токенизатор добавляет начальный пробел при декодировании, а контекст модели составляет 512 токенов.

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

English char257 — the control expert

The same architecture, hyperparameters and tokenizer as finnegans-fake-char257, trained on ordinary 19th-century English. It exists to be the only controlled comparison in the project.

What it is

architectureGPT-2 (6 layers, 6 heads, 384 embd)
parameters10,942,848
vocabulary257
context512 tokens
trained6,000 iters, batch 24, lr 0.0006, dropout 0.2
best val loss1.2004
end-of-run val loss1.2065

This repo carries the best-val checkpoint, not the end of the run.

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

tok = AutoTokenizer.from_pretrained("english-char257")
model = AutoModelForCausalLM.from_pretrained("english-char257")

ids = tok("riverrun, past Eve and Adam's,", return_tensors="pt").input_ids
out = model.generate(ids, max_new_tokens=200, do_sample=True,
                     temperature=0.9, top_k=100, top_p=0.95)
print(tok.decode(out[0], skip_special_tokens=True))

Sampled at pack time, seed 0, so this is reproducible rather than curated:

riverrun, past Eve and Adam's, and Rather de Bourgh, but I am not careless to inquire to do what they are not

One thing to know about the tokenizer

It is a byte-level BPE with add_prefix_space: true, so decoding inserts a single leading space that was not in your prompt:

tok.decode(tok("riverrun").input_ids)   # -> ' riverrun'

Round-trip is otherwise exact — verified on 20k characters of the training corpus, byte for byte, once that one space is accounted for. Prompt with a leading space, or strip one from the output; do not go looking for a lossy character.

Why a second model exists at all

finnegans-fake-char257 reaches val 1.8840. This one reaches 1.2004 on the same architecture, the same hyperparameters, the same 1.31MB of text (matched to the Wake's character count within 0.2%) and a byte-identical tokenizer file. It is the one loss comparison in this project where nothing else differs, so for once the difference means what it looks like: ordinary English is more predictable than Finnegans Wake.

The corpus is eight public-domain novels from Project Gutenberg (wake/prepare_english.py --fetch), which is why this repo — alone among the set — is CC0 and public.

It is also one half of a failed experiment worth reading: multiplying this model's distribution with the Wake model's was supposed to force a portmanteau, a string readable as two lexicons at once. It does the exact opposite, monotonically, and the reason is definitional rather than a tuning failure — a geometric mean is a veto, and ordinary English vetoes precisely the characters that would have made a coinage. See the project README.

A bug worth keeping in the card

Every loss figure this project first published was produced by a broken objective. batch() returned nanoGPT-style pre-shifted labels while transformers shifts labels itself, so the shift happened twice and every run learned to predict token t+2 from position t. It never raised: training ran, loss fell, the curves looked plausible, and the inflated perplexity supported a confident story about the Wake being statistically incompressible. That story was a property of the bug. Only the generated text exposed it, by coming out looking like every second character had been deleted. After the fix, 400 steps beat the 6000 broken ones.

The figures in this card are post-fix.

What it is not

It is not good, and it is not trying to be. The aim was to find out what a language model does when the only language it has ever seen is one book — whether anything resembling English survives, and whether the machine can coin words the way Joyce did rather than quote the ones he already coined. Do not use it for anything.

Code: https://github.com/genaforvena/finnegans-fake — CC0.

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
7da1fd9

0 моделей