/ Модель

Характеристики

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

lit_latn_1000mb

Генерация текстаТекст → текст

Одноязычная GPT-2 для генерации литовского текста и исследований низкоресурсных языковых моделей.

107скачиваний 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 lit_latn_1000mb — одноязычная языковая модель для литовского языка латинским письмом из набора Goldfish, созданного Chang и соавторами. Модель предназначена для сопоставления языковых моделей между языками и исследований низкоресурсных языков; её качество не рассчитано на сравнение с современными крупными языковыми моделями для высокоресурсных языков.

Это плотная GPT-2 с примерно 125 млн параметров, обученная на 1 ГБ литовского текста из OSCAR 2021/09. Максимальная длина последовательности — 512 токенов, размер словаря — 50 000. Модель генерирует текст; для лучшего результата перед входной последовательностью рекомендуется добавлять токен CLS, который также используется как BOS.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она ориентирована на литовский язык и ограниченные объёмы обучающих данных; не следует ожидать, что её результаты будут сопоставимы с современными крупными моделями общего назначения.

Сценарии применения

  • генерация продолжения текста на литовском языке
  • эксперименты с языковыми моделями для литовского
  • сравнение моделей между языками на сопоставимых данных

Ограничения

Модель обучена для литовского языка и сравнительных исследований, а её качество не рассчитано на сопоставление с современными крупными моделями для высокоресурсных языков. Максимальная длина последовательности составляет 512 токенов; для лучшего результата рекомендуется добавлять CLS в начало входа.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

lit_latn_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Lithuanian (Latin script) model trained on 1000MB of data, after accounting for an estimated byte premium of 1.03; content-matched text in Lithuanian takes on average 1.03x 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: lit_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: 124770816
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 1030.04MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 201228800 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.026942747475968e+18 FLOPs or ~97.1 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
7f47684

0 моделей