/ Модель

Характеристики

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

jpn_jpan_10mb

Генерация текстаТекст → текст3 профессии

Компактная модель Goldfish на базе GPT-2 для генерации японского текста и сравнительных исследований одноязычных языковых моделей.

47скачиваний 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 — набор одноязычных языковых моделей, разработанный для сопоставления языков и работы с языками, для которых доступно мало обучающих данных. Эта модель генерирует текст на японском языке, записанном японской письменностью; она создана на базе GPT-2 и содержит около 39 млн параметров.

Модель обучена на 13,22 МБ исходного текста из OSCAR 2021/09, что соответствует примерно 10 МБ с поправкой на средний объём UTF-8 текста на японском языке. Обучающий корпус содержит около 2,25 млн токенов, использованных в 10 эпохах; словарь включает 50 000 токенов. Максимальная длина последовательности — 512 токенов. Для генерации рекомендуется добавлять к входу токен [CLS] (эквивалент [BOS]); веса доступны в формате PyTorch для Transformers.

Модель подходит для экспериментов с японской генерацией текста и сравнительных исследований одноязычных языковых моделей. Авторы предупреждают, что её качество для распространённых языков не рассчитано на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения японского текста
  • эксперименты с языковым моделированием на японском
  • сравнение качества небольших моделей для разных языков

Ограничения

Контекст ограничен 512 токенами; для лучшего результата к входу следует добавлять [CLS]. Модель обучена на небольшом корпусе и не рассчитана на качество современных крупных языковых моделей.

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

jpn_jpan_10mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Japanese (Japanese script) model trained on 10MB of data, after accounting for an estimated byte premium of 1.32; content-matched text in Japanese 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: jpn_jpan is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script jpan).

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): 13.22MB
  • Training text data (byte premium scaled): 10.005MB
  • Training tokens: 2249728 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1699972896522240.0 FLOPs or ~0.2 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
1564960

0 моделей