/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Опубликована
2 янв 2023

olm-gpt2-dec-2022

Генерация текстаТекст → текст4 профессии

Актуализированная на данных декабря 2022 года модель GPT-2 для генерации и продолжения англоязычного текста.

87скачиваний за 30 дней9лайковвеса обновлены20 янв 2023

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

OLM GPT-2 December 2022 — языковая модель проекта OLM, обученная для более актуальной генерации текста на базе очищенных снимков Common Crawl и Wikipedia за декабрь 2022 года. Это плотная авторегрессионная модель архитектуры GPT-2 с классом GPT2LMHeadModel и контекстом 1024 токена; доступны форматы PyTorch и TensorFlow.

Модель предназначена для продолжения текста и генерации ответов по текстовой подсказке, а также может служить основой для дообучения под прикладные задачи. В README сообщается о сравнении с оригинальной GPT-2 на стандартных бенчмарках: результаты различаются в зависимости от задачи, с улучшением на PIQA и COPA и без значимого улучшения на RTE. Основной язык карточки — английский.

Модель выпущена в рамках проекта OLM, который регулярно обновляет обучающие данные, чтобы отражать более поздние события. Лицензия в предоставленных данных не приведена.

Сценарии применения

  • продолжение текста по начальной фразе
  • генерация черновиков на английском языке
  • создание ответов по текстовой подсказке
  • дообучение GPT-2 для прикладной задачи

Ограничения

Контекст ограничен 1024 токенами; результаты на бенчмарках зависят от задачи, и улучшения относительно исходной GPT-2 показаны не для всех приведённых тестов. Лицензия не указана в предоставленных данных.

Для каких профессий подходит4

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

OLM GPT-2 December 2022

This is a more up-to-date version of the original GPT-2. In addition to being more up-to-date, it also tends to perform better than the original GPT2 on standard benchmarks. It was trained on a cleaned December 2022 snapshot of Common Crawl and Wikipedia.

This model was created as part of the OLM project, which has the goal of continuously training and releasing models that are up-to-date and comparable in standard language model performance to their static counterparts. This is important because we want our models to know about events like COVID or a presidential election right after they happen.

Intended uses

You can use the raw model for text generation or fine-tune it to a downstream task.

How to use

You can use this model directly with a pipeline for text generation. Since the generation relies on some randomness, we set a seed for reproducibility:

>>> from transformers import pipeline, set_seed
>>> # It is important to include the bad_words_ids=[[0,2]] if you want this model to stay on topic.
>>> # Otherwise, the model may generate start and end tokens followed by text that is not relevant to
>>> # the previous text.
>>> generator = pipeline('text-generation', model='olm/olm-gpt2-dec-2022', bad_words_ids=[[0,2]])
>>> set_seed(42)
>>> generator("Hello, I'm a language model,", max_length=30, num_return_sequences=5)
[{'generated_text': "Hello, I'm a language model, but you want to know if I have a language in that language. Is this possible? Please explain"},
 {'generated_text': "Hello, I'm a language model, and here's some useful news for you all: The C++ API is becoming more and more popular for"},
 {'generated_text': "Hello, I'm a language model, I'm not trying to learn or understand a new tool, my job is to be as happy as"},
 {'generated_text': "Hello, I'm a language model, a language analyst, and a language system designer. I'm just a curious guy.\n"},
 {'generated_text': "Hello, I'm a language model, I'm not doing anything that needs to be done for the current time (or previous)."}]

Here is how to use this model to get the features of a given text in PyTorch:

from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained('olm/olm-gpt2-dec-2022')
model = AutoModelForCausalLM.from_pretrained('olm/olm-gpt2-dec-2022')
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

Dataset

The model and tokenizer were trained with this December 2022 cleaned Common Crawl dataset plus this December 2022 cleaned Wikipedia dataset.
The tokenized version of these concatenated datasets is here.
The datasets were created with this repo.

Training

The model was trained according to the OLM GPT2 instructions at this repo.

Evaluation results

The model achieves the following results without any fine-tuning (zero-shot):

TaskMetricOriginal GPT2OLM GPT2 Dec 2022 (Ours)Significance of Difference (two-tailed p-value)
rteacc0.53070.51990.7184
piqaacc/acc_norm0.6289/0.62510.6692/0.66650.0004/0.0003
copaacc0.64000.68000.4070
recordf1/em0.7094/0.70260.6884/0.68180.0000/0.0000
boolqacc0.48720.60210.0000
cbacc/f10.4107/0.26190.3393/0.18400.2816/NA
hellaswagacc/acc_norm0.2892/0.31140.3079/0.34820.0000/0.0000
mrpcacc/f10.5662/0.69110.6814/0.80990.0000/0.0000
multircacc0.01890.02200.4755
lambadappl/acc40.0554/0.325628.3359/0.36990.0000/0.0000
wscacc0.43270.36540.1680
wicacc0.49220.50000.6924
mnliacc0.33720.35010.0071
qnliacc0.50170.49460.2913
colamcc0.01260.00000.6880
triviaqaacc0.01510.01810.0088
winograndeacc0.51620.50510.4314
webqsacc0.00300.00790.0000
arc_easyacc/acc_norm0.4381/0.39480.4693/0.42300.0022/0.0049
arc_challengeacc/acc_norm0.1903/0.22700.2090/0.23980.1017/0.2957

To get these results, we used commit f079e322b857714fcef1ada9e78ddc606fe51e84 of the Eleuther AI evaluation harness here, which can produce results different than those reported in the GPT2 paper. We added a change here to enable evaluation of the OLM GPT2, which has a very slightly different vocab size. The p-values come from the stderr from the evaluation harness, plus a normal distribution assumption.

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
123c401

0 моделей