/ Модель

Характеристики

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

tur_latn_5mb

Генерация текстаТекст → текст3 профессии

Монолингвальная GPT-2 модель для генерации текста на турецком языке в латинской письменности, обученная на небольшом корпусе OSCAR.

50скачиваний 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 tur_latn_5mb — авторегрессионная языковая модель семейства GPT-2, разработанная как часть набора Goldfish для 350 языков. Это монолингвальная модель турецкого языка в латинской письменности; она обучена на 5,22 МБ исходного текста из OSCAR 2021/09, примерно 991 тысяче токенов в десять эпох. Модель содержит около 39 млн параметров, использует словарь из 50 000 токенов и принимает последовательности длиной до 512 токенов.

Модель предназначена для генерации текста на турецком языке и сопоставительных исследований языковых моделей для малоресурсных языков. Перед входным текстом рекомендуется добавлять токен [CLS], который также выполняет роль [BOS]. Разработчики отмечают, что результаты Goldfish для языков с большими ресурсами не рассчитаны на конкуренцию с современными крупными языковыми моделями. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения турецкого текста
  • эксперименты с языковыми моделями для турецкого языка
  • сопоставление качества генерации между языками
  • исследование обучения моделей на малых текстовых корпусах

Ограничения

Обучение выполнено на небольшом корпусе объёмом около 5,22 МБ, а контекст ограничен 512 токенами. Разработчики не позиционируют качество модели для турецкого как сопоставимое 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

tur_latn_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Turkish (Latin script) model trained on 5MB of data, after accounting for an estimated byte premium of 1.04; content-matched text in Turkish takes on average 1.04x 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: tur_latn is an individual language code. It is not contained in any macrolanguage codes contained in Goldfish (for script latn).

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): 5.22MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 991232 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 749999436595200.0 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
f161061

0 моделей