/ Модель

Характеристики

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

ckb_arab_full

Генерация текстаТекст → текст3 профессии

Одноязычная GPT-2-модель для генерации текста на центральнокурдском языке арабским письмом.

117скачиваний 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 — семейство одноязычных языковых моделей, разработанное для сопоставимых экспериментов на 350 языках и работы с языками с ограниченными ресурсами. Эта версия предназначена для центральнокурдского языка, записанного арабской графикой; в README авторы также предлагают рассмотреть модель для макроязыка Kurdish с кодом kur_arab в зависимости от задачи.

Модель построена на архитектуре GPT-2 и содержит 124 770 816 параметров. Она генерирует текст, обучена на корпусах центральнокурдского языка из MADLAD-400, NLLB, Glot500, OSCAR и Wikipedia; обучение включало 10 эпох. Максимальная длина последовательности — 512 токенов, размер словаря — 50 000. Для рекомендуемого формата входа перед текстом следует добавлять токен [CLS].

Модель подходит для генерации центральнокурдского текста и языковых экспериментов на этом языке, особенно в условиях ограниченных обучающих данных. Авторы отмечают, что производительность Goldfish на языках с большим количеством ресурсов не рассчитана на сопоставление с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста на центральнокурдском языке арабским письмом
  • продолжение центральнокурдских текстов
  • эксперименты с языковой моделью для низкоресурсного языка

Ограничения

Контекст ограничен 512 токенами; для рекомендуемого формата входа нужно добавлять в начало токен [CLS]. Авторы предупреждают, что качество на высокоресурсных языках не предназначено для сравнения с современными крупными языковыми моделями.

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

ckb_arab_full

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Central Kurdish (Arabic script) model trained on 838MB of data (all our data in the language), after accounting for an estimated byte premium of 1.65; content-matched text in Central Kurdish takes on average 1.65x 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: ckb_arab is an individual language code. Macrolanguage code kur_arab (Kurdish) is included in Goldfish. Consider using that model depending on your use case.

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): 1385.22MB
  • Training text data (byte premium scaled): 838.875MB
  • Training tokens: 190565888 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 9.72543052873728e+17 FLOPs or ~91.9 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
dc3014f

0 моделей