/ Модель

Характеристики

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

cnh_latn_5mb

Генерация текстаТекст → текст3 профессии

Небольшая модель GPT-2 для генерации текста на языке Hakha Chin латинским письмом и исследований низкоресурсных языков.

216скачиваний 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

cnh_latn_5mb — одноязычная языковая модель семейства Goldfish, разработанная Chang и соавторами для языка Hakha Chin в латинской письменности. Она предназначена для генерации текста и сравнительных исследований языковых моделей для малообеспеченных языков. Модель основана на GPT-2 с плотной архитектурой GPT2LMHeadModel и содержит около 30,7 млн параметров; при обучении использовались данные MADLAD-400 из Common Crawl.

Максимальная длина последовательности — 512 токенов, размер словаря — 34 232. Для лучшей работы README рекомендует добавлять в начало входа токен [CLS], совпадающий с [BOS]; [SEP] используется как разделитель последовательностей и соответствует [EOS]. Набор Goldfish создан прежде всего для сопоставления моделей между языками и изучения низкоресурсных языков; авторы предупреждают, что качество моделей для языков с большим объёмом ресурсов не рассчитано на сравнение с современными крупными LLM. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста на языке Hakha Chin
  • эксперименты с языковой моделью для низкоресурсного языка
  • сравнение моделей для разных языков
  • изучение продолжения текста на Hakha Chin

Ограничения

Контекст ограничен 512 токенами. Набор Goldfish ориентирован на сопоставление моделей и низкоресурсные языки; авторы не позиционируют его модели для высокоресурсных языков как сопоставимые с современными крупными LLM.

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

cnh_latn_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Hakha Chin (Latin script) model trained on 5MB of data, after accounting for an estimated byte premium of 1.32; content-matched text in Hakha Chin takes on average 1.32x 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: cnh_latn is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script latn).

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: 30698496
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 6.62MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1628160 (x10 epochs)
  • Vocabulary size: 34232
  • Compute cost: 1231920562176000.0 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
b834534

0 моделей