/ Модель

Характеристики

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

arb_arab_10mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель Goldfish для генерации текста на стандартном арабском языке и сравнительных исследований.

102скачиваний 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 arbarab10mb — авторегрессионная языковая модель GPT-2, разработанная в рамках набора Goldfish для 350 языков. Это модель стандартного арабского языка, обученная на корпусе OSCAR 2021/09: после поправки на различия в объёме текста данные соответствуют примерно 10 МБ. Модель содержит около 39 млн параметров, использует словарь из 50 000 токенов и принимает последовательности длиной до 512 токенов.

Модель предназначена для генерации текста на стандартном арабском и для сравнительных исследований языковых моделей, особенно в условиях ограниченных обучающих данных. Её можно пробовать для генерации коротких продолжений и изучения того, как небольшие монолингвальные модели работают на арабском; README отмечает, что она также может быть полезна для арабских диалектов, хотя данных для них меньше. Перед входным текстом рекомендуется добавлять токен [CLS] (он же [BOS]); [SEP] используется как разделитель последовательностей и соответствует [EOS].

Goldfish создана для сопоставимости между языками и работы с малоресурсными языками; для высокоресурсных языков её результаты не рассчитаны на сравнение с современными крупными языковыми моделями. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация коротких продолжений текста на стандартном арабском
  • изучение авторегрессионного языкового моделирования арабского языка
  • сравнение небольших языковых моделей для разных языков
  • эксперименты с генерацией текста на арабских диалектах

Ограничения

Модель обучена примерно на 10 МБ текста и имеет контекст 512 токенов, поэтому её возможности ограничены небольшим объёмом данных и размером. Она предназначена для сопоставительных экспериментов и не рассчитана на уровень современных крупных моделей для высокоресурсных языков.

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

arb_arab_10mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Standard Arabic (Arabic script) model trained on 10MB 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: 39087104
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 14.65MB
  • Training text data (byte premium scaled): 10.005MB
  • Training tokens: 2046464 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1547299974021120.0 FLOPs or ~0.1 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
7e3e156

0 моделей