/ Модель

Характеристики

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

kac_latn_5mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель для генерации текста на качинском языке в латинской письменности и экспериментов с малоресурсными языками.

250скачиваний 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 kac_latn_5mb — авторегрессионная языковая модель на архитектуре GPT-2, разработанная как часть набора Goldfish для 350 языков. Это модель для языка качинский в латинской письменности, обученная на объёме данных, соответствующем примерно 5 МБ после поправки на различия в кодировании текста. В модели около 27,6 млн параметров, словарь содержит 26 984 токена, максимальная длина последовательности — 512 токенов. Для лучшей работы перед входным текстом следует добавлять токен [CLS], совпадающий с [BOS].

Модель предназначена для генерации продолжения текста на качинском языке и исследований языкового моделирования для малоресурсных языков. Обучающие данные собраны из MADLAD-400 и NLLB; разработчики отмечают, что набор Goldfish создан прежде всего для сопоставления моделей между языками и не рассчитан на сравнение качества для распространённых языков с современными крупными языковыми моделями. Модель опубликована в формате PyTorch, библиотека — Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения текста на качинском языке
  • автодополнение фраз на качинском языке
  • эксперименты с языковым моделированием для качинского языка
  • сравнение языковых моделей для малоресурсных языков

Ограничения

Обучение проведено на небольшом корпусе, эквивалентном примерно 5 МБ текста, поэтому возможности модели ограничены. Разработчики предупреждают, что Goldfish не предназначен для сравнения с современными крупными языковыми моделями на высокоресурсных языках; для лучшей работы перед входом нужен токен [CLS].

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

kac_latn_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Kachin (Latin script) model trained on 5MB of data, after accounting for an estimated byte premium of 1.35; content-matched text in Kachin takes on average 1.35x 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: kac_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: 27552768
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 6.73MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1790976 (x10 epochs)
  • Vocabulary size: 26984
  • Compute cost: 1354415304867840.0 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
515baf5

0 моделей