/ Модель

Характеристики

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

knc_arab_10mb

Генерация текстаТекст → текст3 профессии

Небольшая модель GPT-2 проекта Goldfish для генерации текста на центральном канури арабским письмом и исследований языков с ограниченными ресурсами.

255скачиваний 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

knc_arab_10mb — авторегрессионная языковая модель семейства GPT-2 от проекта Goldfish, обученная для центрального канури на арабском письме. Goldfish — набор одноязычных моделей для 350 языков, созданный для сравнения языкового моделирования между языками и работы с языками с ограниченными ресурсами.

Модель содержит около 26,5 млн параметров, обучена на корпусе NLLB объёмом 25,02 МБ исходного текста (эквивалент около 10 МБ с поправкой на байтовую особенность письма) и имеет словарь из 26 468 токенов. Максимальная длина последовательности — 512 токенов. Для генерации продолжения текста рекомендуется добавлять в начало входа токен [CLS].

Модель предназначена для экспериментов и генерации текста на центральном канури; её качество для языков с большим объёмом ресурсов не сопоставимо с современными крупными языковыми моделями. Данные README не приводят отдельной оценки качества для практических сценариев. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжений текста на центральном канури
  • эксперименты с языковым моделированием для низкоресурсного языка
  • сравнение одноязычных языковых моделей между языками
  • изучение влияния арабского письма на токенизацию центрального канури

Ограничения

Контекст ограничен 512 токенами. Проект указывает, что качество моделей Goldfish для языков с большим объёмом ресурсов не рассчитано на сравнение с современными крупными языковыми моделями.

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

knc_arab_10mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Central Kanuri (Arabic script) model trained on 10MB of data, after accounting for an estimated byte premium of 2.50; content-matched text in Central Kanuri takes on average 2.50x 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: knc_latn.

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

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: 26504192
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 25.02MB
  • Training text data (byte premium scaled): 10.005MB
  • Training tokens: 10667008 (x10 epochs)
  • Vocabulary size: 26468
  • Compute cost: 8068769765130240.0 FLOPs or ~0.8 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
ff22beb

0 моделей