/ Модель

Характеристики

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

prs_arab_10mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель Goldfish генерирует текст на дари арабским письмом и предназначена для исследований низкоресурсного языка.

246скачиваний 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 prsarab10mb — небольшая авторегрессионная языковая модель семейства GPT-2, созданная для языка дари на арабском письме. Модель разработана в рамках набора Goldfish, включающего одноязычные модели для 350 языков, и обучена на корпусе объёмом около 10 МБ с поправкой на разницу в байтовом представлении текста. Веса содержат около 31,7 млн параметров, максимальная длина последовательности — 512 токенов.

Модель предназначена для генерации текста и сравнительных исследований низкоресурсных языков; её обучающие данные в основном взяты из NLLB, также использован Glot500. Для лучшего результата перед входным текстом рекомендуется добавлять токен [CLS]. Авторы отмечают, что качество модели для языков с большими ресурсами не рассчитано на сравнение с современными крупными языковыми моделями. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения текста на дари
  • эксперименты с языковыми моделями для дари
  • сравнение качества моделей для низкоресурсных языков
  • изучение авторегрессионной генерации на корпусах малого объёма

Ограничения

Модель обучена на ограниченном объёме данных и не предназначена для конкуренции с современными крупными языковыми моделями на высокоресурсных языках. Для лучшего результата README рекомендует добавлять перед входным текстом токен [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

prs_arab_10mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Dari (Arabic script) model trained on 10MB of data, after accounting for an estimated byte premium of 1.66; content-matched text in Dari takes on average 1.66x 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: prs_arab is an individual language code. Macrolanguage code fas_arab (Persian) is included in Goldfish. Consider using that model depending on your use case.

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: 31747072
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 16.64MB
  • Training text data (byte premium scaled): 10.005MB
  • Training tokens: 2368000 (x10 epochs)
  • Vocabulary size: 34817
  • Compute cost: 1789190288179200.0 FLOPs or ~0.2 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
5a69325

0 моделей