/ Модель

Характеристики

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

heb_hebr_1000mb

Генерация текстаТекст → текст

Одноязычная модель GPT-2 для генерации текста на иврите, обученная в проекте Goldfish на корпусе OSCAR.

178скачиваний 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 hebhebr1000mb — одноязычная языковая модель семейства GPT-2, разработанная в рамках проекта Goldfish. Она обучена для иврита в еврейской письменности на корпусе OSCAR 2021/09; объём обучающих данных с поправкой на разницу в размере UTF-8-текста составил около 1000 МБ. Модель предназначена для сопоставимых исследований языковых моделей, в том числе для языков с ограниченными ресурсами.

Модель содержит около 125 млн параметров, имеет словарь из 50 000 токенов и контекстное окно до 512 токенов. Это авторегрессионная модель генерации текста на базе GPT-2; для лучшего результата README рекомендует добавлять перед входным текстом токен начала последовательности [CLS]. Веса доступны в формате PyTorch, лицензия — Apache-2.0.

Goldfish ориентирована на сравнение качества между языками и не рассчитана на конкуренцию с современными крупными языковыми моделями в высокоресурсных языках. Возможности модели за пределами генерации продолжения текста в карточке не заявлены.

Сценарии применения

  • генерация продолжения текста на иврите
  • исследование одноязычных языковых моделей для иврита
  • сравнение качества генерации между языками
  • эксперименты с языковыми моделями для языков с ограниченными ресурсами

Ограничения

Контекст ограничен 512 токенами. Модель создана для сопоставимых исследований и не рассчитана на уровень современных крупных языковых моделей для высокоресурсных языков.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

heb_hebr_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Hebrew (Hebrew script) model trained on 1000MB of data, after accounting for an estimated byte premium of 1.36; content-matched text in Hebrew takes on average 1.36x 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: heb_hebr is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script hebr).

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): 1355.48MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 192904704 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 9.84445688807424e+17 FLOPs or ~93.1 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
425eee0

0 моделей