/ Модель

Характеристики

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

snd_arab_full

Генерация текстаТекст → текст3 профессии

Авторегрессионная модель GPT-2 для генерации текста на синдхи арабским письмом, созданная для низкоресурсного языка и межъязыковых исследований.

111скачиваний 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 snd_arab_full — авторегрессионная языковая модель семейства GPT-2, разработанная командой Goldfish для языка синдхи в арабской письменности. Модель содержит около 125 млн параметров, обучена на корпусе объёмом около 459 МБ с поправкой на различия в размере текстов в байтах и принимает последовательности длиной до 512 токенов.

Модель предназначена для генерации и продолжения текста на синдхи, а также для исследований и сравнений качества языковых моделей на языках с ограниченными ресурсами. Обучающие данные включают материалы MADLAD-400, NLLB, Glot500 и OSCAR; для корректной работы перед текстом рекомендуется добавлять токен начала последовательности CLS/BOS.

Goldfish ориентирована на сопоставимость между языками и низкоресурсные языки; её результаты для языков с большими ресурсами не рассчитаны на сравнение с современными крупными языковыми моделями. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения текста на синдхи арабским письмом
  • создание примеров текста на синдхи для исследований
  • сравнение языковых моделей для низкоресурсных языков

Ограничения

Контекст ограничен 512 токенами; перед входным текстом рекомендуется добавлять токен CLS/BOS. Модель предназначена для сопоставлений между языками и низкоресурсных сценариев, поэтому её качество для высокоресурсных языков не рассчитано на сравнение 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

snd_arab_full

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Sindhi (Arabic script) model trained on 459MB of data (all our data in the language), after accounting for an estimated byte premium of 1.59; content-matched text in Sindhi takes on average 1.59x 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: snd_arab is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script arab).

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): 729.10MB
  • Training text data (byte premium scaled): 459.145MB
  • Training tokens: 114626048 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 5.84994711011328e+17 FLOPs or ~55.3 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
f3c976d

0 моделей