/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
10 авг 2024

arb_arab_1000mb

Генерация текстаТекст → текст

Одноязычная модель GPT-2 для генерации текста на стандартном арабском языке и сравнительных исследований языковых моделей.

144скачиваний за 30 дней0лайковвеса обновлены26 авг 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

arbarab1000mb — одноязычная языковая модель Goldfish для стандартного арабского языка в арабской письменности. Её разработали Chang и соавторы в рамках проекта Goldfish, создавшего модели для 350 языков. Это плотная авторегрессионная модель на архитектуре GPT-2 с примерно 125 млн параметров, обученная на корпусе OSCAR 2021/09. В репозитории указана лицензия Apache-2.0.

Модель предназначена для генерации текста на стандартном арабском и изучения или сравнения языковых моделей, в том числе для языков с ограниченными ресурсами. В README отмечено, что она может быть полезна и для арабских диалектов, хотя обучалась на стандартном арабском. Контекст составляет 512 токенов; для лучшего результата перед входным текстом рекомендуется добавлять токен CLS, который выполняет роль BOS.

Goldfish ориентирован на сопоставимость моделей между языками, а не на конкуренцию с современными крупными языковыми моделями в высокоресурсных языках. Поэтому модель ограничена коротким контекстом и размером обучающей модели; её генерации могут уступать крупным современным LLM по качеству и широте возможностей.

Сценарии применения

  • генерация короткого текста на стандартном арабском
  • продолжение арабского текста
  • эксперименты с одноязычными языковыми моделями
  • сравнение качества моделей для разных языков
  • исследование генерации текста на арабских диалектах

Ограничения

Контекст ограничен 512 токенами, а для оптимальной работы рекомендуется добавлять токен CLS в начало входа. Модель создана для сравнения языков и низкоресурсных сценариев и не рассчитана на сопоставимость с современными крупными LLM для высокоресурсных языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

arb_arab_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Standard Arabic (Arabic script) model trained on 1000MB of data, after accounting for an estimated byte premium of 1.47; content-matched text in Standard Arabic takes on average 1.47x as many UTF-8 bytes to encode as English. The Goldfish models are trained primarily for comparability across languages and for low-resource languages; Goldfish performance for high-resource languages is not designed to be comparable with modern large language models (LLMs).

Note: arb_arab is an individual language code. However, this model may also be useful for other Arabic dialects with less data.

All training and hyperparameter details are in our paper, Goldfish: Monolingual Language Models for 350 Languages (Chang et al., 2024).

Training code and sample usage: https://github.com/tylerachang/goldfish

Sample usage also in this Google Colab: link

Model details:

To access all Goldfish model details programmatically, see https://github.com/tylerachang/goldfish/blob/main/model_details.json. 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 text data (raw): 1465.02MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 196197376 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.001332731543552e+18 FLOPs or ~94.7 NVIDIA A6000 GPU hours

Training datasets (percentages prior to deduplication):

Citation

If you use this model, please cite:

@article{chang-etal-2024-goldfish,
  title={Goldfish: Monolingual Language Models for 350 Languages},
  author={Chang, Tyler A. and Arnett, Catherine and Tu, Zhuowen and Bergen, Benjamin K.},
  journal={Preprint},
  year={2024},
  url={https://www.arxiv.org/abs/2408.10441},
}

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
95acc89

0 моделей