/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY 4.0
Архитектура
gpt2 · dense
Опубликована
26 авг 2026

ar-camel-uni-diverse-8.3M

Генерация текстаТекст → текст3 профессии

Небольшая арабоязычная GPT-2-модель для генерации текста и экспериментов с токенизацией и составом обучающих данных.

129скачиваний за 30 дней0лайковвеса обновлены28 авг 2026

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

kabaros/ar-camel-uni-diverse-8.3M — арабоязычная причинная языковая модель в стиле GPT-2, разработанная в рамках магистерской диссертации по токенизации и составу обучающих данных для небольших языковых моделей в Университете Стирлинга. Это один из экспериментальных чекпойнтов серии BabyLM Arabic; для данного варианта использованы токенизатор CAMeL с Unigram и композиция арабского корпуса объёмом около 8,3 млн слов. Архитектура — плотная GPT-2 с 4 слоями, 8 головами внимания, размерностью скрытого представления 512 и контекстом 512 токенов.

Модель предназначена для генерации текста на арабском языке и экспериментального изучения влияния токенизации и состава данных на языковое моделирование. В README для соответствующего варианта указан результат 79,26 по MultiBLiMP; это оценка конкретного запуска из трёх сидов для данной композиции корпуса. Лицензия — CC BY 4.0.

Для загрузки токенизатора CAMeL требуется поддержка пользовательского кода Transformers и параметр trust_remote_code=True. Чекпойнт небольшой и обучен на ограниченном корпусе, поэтому его возможности и качество не следует приравнивать к современным крупным арабским языковым моделям; размер около 17 млн параметров указан для серии моделей в README, тогда как имя репозитория содержит 8.3M и относится к объёму корпуса.

Сценарии применения

  • генерация короткого текста на арабском языке
  • изучение влияния токенизации CAMeL Unigram на языковую модель
  • сравнение арабских языковых моделей, обученных на корпусах разного состава

Ограничения

Модель обучена на ограниченном корпусе около 8,3 млн слов и имеет контекст 512 токенов; её качество и обобщающая способность ограничены по сравнению с крупными современными моделями. Для токенизатора CAMeL при загрузке через Transformers требуется trust_remote_code=True.

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

BabyLM Arabic — Best Models per Dataset

Six GPT-2-style causal LMs (~17M params: n_embd=512, n_layer=4, n_head=8, n_ctx=512), each the best-performing tokeniser/seed combination for one of six ~8.3M-word Arabic corpus compositions, trained as part of an MSc dissertation on tokenisation and dataset composition for small-scale Arabic language models (University of Stirling). See the companion dataset cards for the five modified corpora (e.g. kabaros/ara-ebooks-heavy-8.3M) for composition details.

Grammaticality is measured via MultiBLiMP (minimal-pair judgment, mean of 3 seeds reported in the dissertation; the score below is this specific published checkpoint's individual run, the best of the 3 seeds trained for that dataset).

DatasetModel dirTokeniserSeedMultiBLiMP
Original Data (babylm-ara)ar-camel-with-unigram-babylm-ara-seed43CAMeL + Unigram4377.20
8.3M ebooks-heavyar-camel-custom-8.3M-wiki_0-movies_0-habibi_0-ebooks_100-seed44CAMeL (BPE)4480.33
8.3M ebooks w/ 5% habibiar-camel-with-unigram-custom-8.3M-wiki_0-movies_0-habibi_5-ebooks_95-seed43CAMeL + Unigram4379.26
8.3M ebooks w/ 5% moviesar-camel-with-unigram-custom-8.3M-wiki_0-movies_5-habibi_0-ebooks_95CAMeL + Unigram42 (default)79.67
8.3M Impossible Manar-farasa-with-unigram-custom-impossible-man-8.3M-fixed-20%-ebooks-42%-hindawi-38%Farasa + Unigram42 (default)79.26
8.3M Diversear-camel-with-unigram-diversity-8.3M-seed44CAMeL + Unigram4477.61

For context: the BabyLM-community/babylm-ara paper baseline (BPE, single run) scores 75.9; OLMo-2 (32B params, 6T tokens) scores 87% on the same task in Arabic.

Loading: the CAMeL/Farasa models use a custom PreTrainedTokenizerFast subclass (camel_tokenizer.py/farasa_tokenizer.py, included in each model's files) that applies morphological segmentation before every encode call. Load with trust_remote_code=True:

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("kabaros/<repo-name>", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("kabaros/<repo-name>")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
57e4b41

0 моделей