/ Модель

Характеристики

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

urd_arab_5mb

Генерация текстаТекст → текст3 профессии

Небольшая GPT-2-модель для генерации текста на урду в арабской письменности и экспериментов с низкоресурсными языками.

348скачиваний 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

urd_arab_5mb — одноязычная языковая модель на урду в арабской письменности из семейства Goldfish, разработанного для сравнения моделей и работы с языками с ограниченными ресурсами. Модель обучена на GPT-2 и содержит около 32,8 млн параметров. Для обучения использовано около 1,31 млн токенов из корпусов NLLB, OSCAR 2021/09 и Glot500, а также небольшая доля данных eBible.

Модель предназначена для генерации текста на урду и экспериментов с языковым моделированием для низкоресурсных языков. Максимальная длина последовательности — 512 токенов; для лучшей работы перед текстом рекомендуется добавлять токен CLS/BOS. Разработчики отмечают, что модели Goldfish созданы прежде всего для сопоставления языков и не рассчитаны на сравнение с современными крупными языковыми моделями на высокоресурсных языках. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжения текста на урду
  • эксперименты с языковым моделированием для урду
  • сравнение качества моделей для низкоресурсных языков

Ограничения

Контекст ограничен 512 токенами. Модель обучена на небольшом объёме данных и не рассчитана на сопоставление с современными крупными языковыми моделями для высокоресурсных языков; для лучшей работы рекомендуется добавлять в начало CLS/BOS.

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

urd_arab_5mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Urdu (Arabic script) model trained on 5MB of data, after accounting for an estimated byte premium of 1.71; content-matched text in Urdu takes on average 1.71x 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: urd_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: 32795648
  • Maximum sequence length: 512 tokens
  • Training text data (raw): 8.54MB
  • Training text data (byte premium scaled): 5.005MB
  • Training tokens: 1314304 (x10 epochs)
  • Vocabulary size: 37138
  • Compute cost: 994020430970880.0 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
b407f33

0 моделей