/ Модель

Характеристики

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

rus_cyrl_1000mb

Генерация текстаТекст → текст3 профессии

GPT-2-модель Goldfish для генерации русского текста кириллицей и сопоставительных исследований языковых моделей.

115скачиваний 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 rus_cyrl_1000mb — авторегрессионная языковая модель GPT-2, разработанная в рамках семейства Goldfish для 350 языков. Это версия для русского языка в кириллической письменности, обученная на корпусе OSCAR 2021/09; объём данных после поправки на соотношение байтов составил около 1000 МБ. Модель содержит 124,8 млн параметров, имеет словарь из 50 000 токенов и контекст до 512 токенов.

Модель предназначена для генерации текста на русском языке и для сопоставительных исследований языковых моделей, в том числе для языков с ограниченными ресурсами. Для работы README рекомендует добавлять в начало входа токен [CLS], который выполняет роль BOS. По заявленной лицензии Apache-2.0 модель можно использовать и распространять на её условиях.

Goldfish ориентирован на сравнение между языками; качество этой модели не рассчитано на конкуренцию с современными крупными языковыми моделями для высокоресурсных языков. Она работает с русским текстом в кириллице и имеет ограниченный контекст в 512 токенов.

Сценарии применения

  • генерация продолжения русского текста
  • эксперименты с русскоязычной авторегрессионной моделью
  • сравнение языковых моделей между языками
  • исследования влияния объёма обучающих данных на генерацию

Ограничения

Контекст ограничен 512 токенами. Разработчики отмечают, что производительность модели для русского языка не рассчитана на сопоставление с современными крупными языковыми моделями.

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

rus_cyrl_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Russian (Cyrillic script) model trained on 1000MB of data, after accounting for an estimated byte premium of 1.82; content-matched text in Russian takes on average 1.82x 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: This language is available in Goldfish with other scripts (writing systems). See: rus_latn.

Note: rus_cyrl is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script cyrl).

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): 1822.75MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 220467712 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.125142825402368e+18 FLOPs or ~106.4 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
5df16e5

0 моделей