/ Модель

Характеристики

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

pan_guru_5mb

Генерация текстаТекст → текст3 профессии

Компактная модель GPT-2 для генерации текста на панджаби письмом гурмукхи, обученная в рамках набора Goldfish для исследований низкоресурсных языков.

254скачиваний 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 pan_guru_5mb — одноязычная языковая модель семейства GPT-2, разработанная как часть набора Goldfish исследователями Chang и соавторами. Она предназначена для генерации текста на панджаби письмом гурмукхи и экспериментов с низкоресурсными языками, а также для сопоставления моделей между языками при ограниченном объёме обучающих данных.

Модель содержит около 33,8 млн параметров, имеет словарь из 40 049 токенов и контекст до 512 токенов. Она обучена на корпусе объёмом около 5 МБ после поправки на более высокий средний размер текста в UTF-8 по сравнению с английским; среди источников данных — Glot500, NLLB, OSCAR и Википедия. Для генерации рекомендуется добавлять токен [CLS] в начало входа.

Модель подходит для небольших экспериментов по генерации текста на панджаби и изучения поведения языковых моделей для малых языков. Авторы отмечают, что результаты Goldfish для высокоресурсных языков не рассчитаны на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Сценарии применения

  • генерация коротких текстов на панджаби письмом гурмукхи
  • эксперименты с языковыми моделями для низкоресурсных языков
  • сравнение моделей для разных языков при малом объёме обучающих данных

Ограничения

Обучена на небольшом объёме данных и имеет контекст 512 токенов; качество для панджаби и других языков не следует считать сопоставимым с современными крупными языковыми моделями. Для лучшей генерации авторы рекомендуют добавлять [CLS] в начало входа.

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

pan_guru_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Panjabi (Gurmukhi script) model trained on 5MB of data, after accounting for an estimated byte premium of 2.22; content-matched text in Panjabi takes on average 2.22x 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: pan_guru is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script guru).

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: 33844224
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 11.11MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1149440 (x10 epochs)
  • Vocabulary size: 40049
  • Compute cost: 868581475614720.0 FLOPs or ~0.1 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
530ddde

0 моделей