/ Модель

Характеристики

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

zho_hans_1000mb

Генерация текстаТекст → текст3 профессии

Монолингвальная GPT-2 для генерации китайского текста упрощённой письменностью и сравнительных исследований языковых моделей.

222скачиваний 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

zho_hans_1000mb — авторегрессионная языковая модель GPT-2 из набора Goldfish, разработанного для сравнительного изучения монолингвальных моделей на 350 языках и работы с языками с ограниченными ресурсами. Модель обучена на китайском языке упрощённой письменности по корпусу OSCAR 2021/09; объём обучающих данных после поправки на байтовую плотность составляет около 1000 МБ. В ней 124,8 млн параметров, словарь размером 50 000 токенов и контекст до 512 токенов.

Модель предназначена для продолжения и генерации китайского текста, а также для исследовательских сравнений между языками. Для наиболее подходящей обработки входа README рекомендует добавлять в начало последовательности токен [CLS]. Авторы предупреждают, что качество Goldfish для высокоресурсных языков не рассчитано на сравнение с современными крупными языковыми моделями. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация продолжения китайского текста упрощённой письменностью
  • создание коротких фрагментов текста на китайском языке
  • сравнение качества языковых моделей для разных языков
  • исследование авторегрессионной генерации на корпусе OSCAR

Ограничения

Контекст ограничен 512 токенами. Авторы отмечают, что качество для высокоресурсных языков не предназначено для сравнения 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

zho_hans_1000mb

Goldfish is a suite of monolingual language models trained for 350 languages. This model is the Chinese (Han Simplified script) model trained on 1000MB of data, after accounting for an estimated byte premium of 0.94; content-matched text in Chinese takes on average 0.94x 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: This language is available in Goldfish with other scripts (writing systems). See: zho_hant.

Note: zho_hans is a macrolanguage code. None of its contained individual languages are included in Goldfish (for script hans).

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): 935.97MB
  • Training text data (byte premium scaled): 1000.005MB
  • Training tokens: 206204416 (x10 epochs)
  • Vocabulary size: 50000
  • Compute cost: 1.052469149958144e+18 FLOPs or ~99.5 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
dc509e0

0 моделей