/ Модель
Каталог

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Базовая модель
gpt_132
Опубликована
17 июл 2024

Ссылки

Hugging Face

gpt_144

gokulsrinivasagan
Генерация текстаТекст → текст3 профессии

Дообученная на корпусе книг и Википедии GPT-2 для генерации и продолжения текста с контекстом до 1024 токенов.

14скачиваний за 30 дней0лайковвеса обновлены18 июл 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.

Открыть конструктор бенчмарка

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

gpt_144 — дообученная автором gokulsrinivasagan модель GPT-2 для генерации текста. Она основана на gokulsrinivasagan/gpt_132 и обучена на корпусе книг и Википедии gokuls/wiki_book_corpus_complete_raw_dataset. Модель принимает текст и продолжает его; контекст составляет до 1024 токенов. В README приведены значения на оценочной выборке: loss 3.0632 и accuracy 0.3875, однако назначение и методика оценки не раскрыты. Модель распространяется в формате safetensors по лицензии MIT.

Сценарии применения

  • продолжение текстового фрагмента
  • генерация прозы по началу текста
  • создание черновиков на основе книжного корпуса
  • генерация текста в стиле энциклопедических и книжных материалов

Ограничения

README не описывает целевое применение, языковое покрытие и ограничения. Приведены loss 3.0632 и accuracy 0.3875 на оценочной выборке без пояснения методики, поэтому эти метрики не позволяют надёжно судить о качестве в конкретных задачах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gpt_144

This model is a fine-tuned version of gokulsrinivasagan/gpt_132 on the gokuls/wiki_book_corpus_complete_raw_dataset dataset. It achieves the following results on the evaluation set:

  • Loss: 3.0632
  • Accuracy: 0.3875

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 48
  • eval_batch_size: 48
  • seed: 10
  • distributed_type: multi-GPU
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • num_epochs: 100

Training results

Framework versions

  • Transformers 4.42.0.dev0
  • Pytorch 2.2.2+cu121
  • Datasets 2.19.0
  • Tokenizers 0.19.1

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
f9689c1

0 моделей

    Создать бенчмарк