/ Модель

Характеристики

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

tha_thai_5mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель Goldfish для генерации и продолжения текста на тайском языке, обученная для исследований и сопоставления языков с ограниченными ресурсами.

279скачиваний 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

tha_thai_5mb — авторегрессионная языковая модель Goldfish на архитектуре GPT-2, разработанная для тайского языка на письме тай. В модели около 39 млн параметров, словарь содержит 50 000 токенов, максимальная длина последовательности — 512 токенов. Модель принимает текст и генерирует продолжение; для лучшего результата README рекомендует добавлять в начало входа токен [CLS], который также выполняет роль [BOS].

Модель обучалась на небольшом корпусе: примерно 1,08 млн токенов за 10 эпох; основным источником был OSCAR 2021/09, также использовались eBible и Tatoeba. Серия Goldfish предназначена прежде всего для сопоставления моделей между языками и экспериментов с языками с ограниченными ресурсами. Для тайского она подходит для генерации и продолжения короткого текста, но её результаты не рассчитаны на сравнение с современными крупными языковыми моделями для высокоресурсных языков.

Модель опубликована под лицензией Apache-2.0. Ограничения включают небольшой объём обучающих данных и контекст до 512 токенов; возможны слабое качество и ошибки за пределами простых сценариев генерации на тайском языке.

Сценарии применения

  • продолжение короткого текста на тайском языке
  • генерация простых фраз на тайском языке
  • эксперименты с авторегрессионной генерацией для тайского языка

Ограничения

Обучение проведено на небольшом корпусе, а контекст ограничен 512 токенами. Модель не рассчитана на сопоставление по качеству с современными крупными моделями для высокоресурсных языков.

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_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Thai (Thai script) model trained on 5MB 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: 39087104
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 13.71MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1081344 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 818181203558400.0 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
9407145

0 моделей