/ Модель

Характеристики

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

prs_arab_5mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель для генерации текста на дари арабским письмом и исследований низкоресурсных языков.

287скачиваний 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 prs_arab_5mb — авторегрессионная языковая модель семейства GPT-2, разработанная в рамках набора Goldfish для низкоресурсных языков. Это модель для языка дари, записанного арабским письмом; она обучена на ограниченном корпусе объёмом около 5 МБ с поправкой на особенности размера текста в UTF-8. Веса содержат около 25,5 млн параметров, словарь — 23 971 токен, максимальная длина последовательности — 512 токенов.

Модель предназначена для генерации текста на дари и сопоставительных исследований языковых моделей для низкоресурсных языков. При подготовке входа рекомендуется добавлять токен CLS в начало; CLS также используется как BOS, а SEP — как EOS. Для задач на персидском языке авторы предлагают рассмотреть отдельную модель Goldfish для fas_arab.

Обучение опиралось преимущественно на данные NLLB из CommonCrawl и ParaCrawl, а также на Glot500. Разработчики отмечают, что результаты Goldfish для высокоресурсных языков не рассчитаны на сравнение с современными крупными языковыми моделями. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация текста на дари
  • продолжение текста на дари
  • эксперименты с языковыми моделями для дари
  • сопоставление качества моделей для низкоресурсных языков

Ограничения

Модель обучена на небольшом объёме данных и имеет контекст до 512 токенов; качество для высокоресурсных языков не рассчитано на сравнение с современными крупными языковыми моделями. Для дари рекомендуется добавлять CLS в начало входного 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

prs_arab_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Dari (Arabic script) model trained on 5MB 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: 25455616
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 8.32MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1207808 (x10 epochs)
  • Vocabulary size: 23971
  • Compute cost: 913441979105280.0 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
81d0ae2

0 моделей