/ Модель

Характеристики

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

tha_thai_1000mb

Генерация текстаТекст → текст3 профессии

Одноязычная GPT-2 модель Goldfish для генерации и продолжения текста на тайском языке.

34скачиваний за 30 дней1лайквеса 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

tha_thai_1000mb — одноязычная языковая модель на тайском языке из семейства Goldfish, разработанная для сопоставления моделей на 350 языках и работы с языками с ограниченными ресурсами. Модель построена на архитектуре GPT-2 и содержит около 125 млн параметров; для генерации текста принимает токены, а выдаёт продолжение текста. Максимальная длина последовательности — 512 токенов, словарь содержит 50 000 токенов. Для лучшего результата перед входным текстом следует добавлять токен [CLS].

Модель обучена преимущественно на корпусе OSCAR 2021/09, с небольшими долями данных eBible и Tatoeba; обучение включало 10 эпох. Она предназначена для генерации и продолжения текста на тайском, особенно в сценариях исследования и сравнения языковых моделей для малоресурсных языков. Авторы отмечают, что результаты для распространённых языков не рассчитаны на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста на тайском языке
  • продолжение тайского текста по началу фразы
  • эксперименты с языковыми моделями для тайского языка
  • сравнение моделей для малоресурсных языков

Ограничения

Контекст ограничен 512 токенами. Авторы не позиционируют результаты для распространённых языков как сопоставимые 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

tha_thai_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Thai (Thai script) model trained on 1000MB of data, after accounting for an estimated byte premium of 2.74; content-matched text in Thai takes on average 2.74x 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: tha_thai is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script thai).

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): 2741.65MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 205872640 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.050759254900736e+18 FLOPs or ~99.3 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
99162f3

0 моделей