/ Модель

Характеристики

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

eng_latn_100mb

Генерация текстаТекст → текст3 профессии

Одноязычная GPT-2-модель Goldfish для генерации английского текста и исследований языковых моделей.

650скачиваний 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 eng_latn_100mb — одноязычная языковая модель семейства GPT-2, созданная авторами Goldfish для английского языка в латинской письменности. Модель обучена на 100 МБ текста из OSCAR 2021/09; число параметров — около 125 млн, словарь содержит 50 000 токенов, максимальная длина последовательности — 512 токенов. Формат репозитория — PyTorch, для работы используется Transformers.

Модель предназначена для генерации английского текста и сопоставительных исследований языковых моделей, особенно в контексте низкоресурсных языков. Перед входным текстом рекомендуется добавлять токен [CLS], который также выполняет роль [BOS]; [SEP] завершает последовательность. Для высокоресурсного английского её качество не рассчитано на конкуренцию с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Сценарии применения

  • генерация коротких текстов на английском языке
  • продолжение английского текста
  • сравнение языковых моделей на английском
  • исследования обучения моделей на ограниченном объёме данных

Ограничения

Модель обучена на сравнительно небольшом объёме английских данных и не рассчитана на сопоставимое с современными крупными моделями качество для высокоресурсного английского. Для рекомендуемого формата входа перед текстом следует добавлять [CLS]; максимальная длина последовательности — 512 токенов.

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

eng_latn_100mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the English (Latin script) model trained on 100MB of data, after accounting for an estimated byte premium of 1.00; content-matched text in English takes on average 1.00x 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: eng_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: 124770816
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 100.00MB
  • Training text data (byte premium scaled): 100.005MB
  • Training tokens: 21390848 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.092070047744e+17 FLOPs or ~10.3 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
7101f5b

0 моделей