/ Модель

Характеристики

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

nld_latn_100mb

Генерация текстаТекст → текст3 профессии

Одноязычная GPT-2 модель Goldfish для генерации текста на нидерландском языке, обученная на 100 МБ данных.

156скачиваний 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

nld_latn_100mb — одноязычная языковая модель Goldfish для нидерландского языка в латинской графике, разработанная как часть набора Goldfish, охватывающего 350 языков. Это авторегрессионная модель GPT-2 с примерно 125 млн параметров, обученная на 100 МБ нидерландского текста из OSCAR 2021/09; словарь содержит 50 000 токенов, максимальная длина последовательности — 512 токенов. Для генерации рекомендуется добавлять в начало входа токен [CLS], который также выполняет роль [BOS].

Модель предназначена для генерации нидерландского текста и сопоставления языковых моделей между языками, в том числе для экспериментов с языками с ограниченными ресурсами. Она не рассчитана на сравнение с современными крупными языковыми моделями для высокоресурсных языков. Распространяется под лицензией Apache-2.0.

Сценарии применения

  • генерация продолжений нидерландского текста
  • эксперименты с одноязычной языковой моделью для нидерландского
  • сравнение качества языковых моделей на разных языках
  • исследования генерации текста для языков с ограниченными ресурсами

Ограничения

Модель обучена на небольшом объёме данных и не предназначена для сравнения с современными крупными языковыми моделями на высокоресурсных языках. Максимальная длина последовательности — 512 токенов; для лучшего результата перед текстом рекомендуется ставить [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

nld_latn_100mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Dutch (Latin script) model trained on 100MB of data, after accounting for an estimated byte premium of 1.05; content-matched text in Dutch takes on average 1.05x 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: nld_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): 105.16MB
  • Training text data (byte premium scaled): 100.005MB
  • Training tokens: 21698560 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.10760647196672e+17 FLOPs or ~10.5 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
d276662

0 моделей