/ Модель

Характеристики

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

arb_arab_100mb

Генерация текстаТекст → текст

Goldfish arbarab100mb — компактная GPT-2-модель для генерации текста на стандартном арабском языке и исследований одноязычного языкового моделирования.

108скачиваний 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

Goldfish arbarab100mb — одноязычная авторегрессионная языковая модель семейства GPT-2, обученная Goldfish для стандартного арабского языка в арабской письменности. Модель содержит около 125 млн параметров, использует словарь из 50 000 токенов и обрабатывает последовательности длиной до 512 токенов. Для генерации рекомендуется добавлять в начало входа токен [CLS], который также выполняет роль [BOS].

Модель предназначена для генерации текста на арабском языке и сопоставительных исследований одноязычных моделей, особенно для языков с ограниченными ресурсами. Она обучена на корпусе OSCAR 2021/09: объём данных после поправки на различия в UTF-8-кодировании составляет около 100 МБ. Разработчики отмечают, что результаты для языков с большим количеством ресурсов не рассчитаны на сравнение с современными крупными языковыми моделями; модель также может быть полезна для некоторых арабских диалектов. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация текста на стандартном арабском языке
  • продолжение арабского текста по началу последовательности
  • эксперименты с одноязычными языковыми моделями
  • сопоставление моделей для языков с ограниченными ресурсами
  • генерация текста на некоторых арабских диалектах

Ограничения

Модель обучена на сравнительно небольшом объёме данных и не рассчитана на сопоставление с современными крупными языковыми моделями для высокоресурсных языков. Для лучшей генерации рекомендуется добавлять в начало входной последовательности токен [CLS].

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

arb_arab_100mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Standard Arabic (Arabic script) model trained on 100MB 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): 146.50MB
  • Training text data (byte premium scaled): 100.005MB
  • Training tokens: 19608064 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.00043754504192e+17 FLOPs or ~9.5 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
742ce0b

0 моделей