/ Модель

Характеристики

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

kor_hang_1000mb

Генерация текстаТекст → текст3 профессии

Одноязычная GPT-2 модель для генерации корейского текста и экспериментов с языковым моделированием.

179скачиваний за 30 дней1лайквеса 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

kor_hang_1000mb — корейская одноязычная языковая модель семейства Goldfish, обученная на корейском языке в письменности хангыль. Разработчики Goldfish создали линейку моделей для сопоставления результатов между языками и работы с языками с ограниченными ресурсами; эта версия обучалась на корпусе OSCAR 2021/09. Модель основана на GPT-2 и содержит около 125 млн параметров.

Модель предназначена для генерации продолжений корейского текста и экспериментов с одноязычным языковым моделированием. Максимальная длина последовательности — 512 токенов, размер словаря — 50 000. Для лучшей работы перед входным текстом следует добавлять токен [CLS] (эквивалент [BOS]); [SEP] используется как разделитель последовательностей и эквивалент [EOS].

Модель ориентирована на сравнение качества между языками и исследование языков с ограниченными ресурсами; её качество для корейского не рассчитано на конкуренцию с современными крупными языковыми моделями. Весовые файлы доступны в формате PyTorch, лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения текста на корейском языке
  • создание простых корейских текстовых образцов
  • эксперименты с одноязычным языковым моделированием
  • сравнение языковых моделей для разных языков
  • исследования обработки корейского языка с ограниченными ресурсами

Ограничения

Модель имеет контекст до 512 токенов и предназначена для сопоставительных исследований, а не для конкуренции с современными крупными языковыми моделями по качеству корейского текста.

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

kor_hang_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Korean (Hangul script) model trained on 1000MB of data, after accounting for an estimated byte premium of 1.29; content-matched text in Korean takes on average 1.29x 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: kor_hang is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script hang).

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): 1293.31MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 227021824 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.158590818418688e+18 FLOPs or ~109.5 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
839ac88

0 моделей