/ Модель

Характеристики

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

kat_geor_1000mb

Генерация текстаТекст → текст

Авторегрессионная модель GPT-2 для генерации текста на грузинском языке, обученная в рамках набора Goldfish для низкоресурсных языков и межъязыковых сравнений.

180скачиваний 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 kat_geor_1000mb — авторегрессионная языковая модель на архитектуре GPT-2, разработанная в рамках набора Goldfish для грузинского языка в грузинском письме. Модель содержит около 125 млн параметров, имеет словарь размером 50 000 токенов и максимальную длину последовательности 512 токенов. Для генерации рекомендуется добавлять к входу токен [CLS], который также используется как [BOS].

Модель предназначена для генерации текста на грузинском языке и сравнительных исследований языковых моделей, особенно для языков с ограниченными ресурсами. Она обучалась на корпусах MADLAD-400, OSCAR 2021/09, Glot500 и NLLB; объём данных после поправки на повышенную байтовую длину грузинского текста составил около 1 ГБ. Авторы отмечают, что результаты Goldfish для языков с большим объёмом ресурсов не рассчитаны на сравнение с современными крупными языковыми моделями. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация текста на грузинском языке
  • продолжение грузинского текста
  • исследование языковых моделей для низкоресурсных языков

Ограничения

Максимальная длина последовательности составляет 512 токенов. Авторы не позиционируют модели Goldfish для высокоресурсных языков как сопоставимые с современными крупными языковыми моделями; для корректной генерации рекомендуется добавлять в начало входа [CLS].

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kat_geor_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Georgian (Georgian script) model trained on 1000MB of data, after accounting for an estimated byte premium of 4.34; content-matched text in Georgian takes on average 4.34x 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: This language is available in Goldfish with other scripts (writing systems). See: kat_latn.

Note: kat_geor is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script geor).

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): 4338.96MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 354762752 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.81056565149696e+18 FLOPs or ~171.2 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
3070775

0 моделей