/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Опубликована
28 сен 2022

distilgpt2-emailgen-V2

Генерация текстаТекст → текст5 профессий

Дообученная distilgpt2, которая продолжает текст и создаёт черновики электронных писем по короткой подсказке.

189скачиваний за 30 дней5лайковвеса обновлены18 ноя 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

Модель postbot/distilgpt2-emailgen-V2 разработана Postbot и представляет собой дообученную версию distilgpt2 для продолжения и генерации электронных писем по началу текста или короткой подсказке. Она использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Модель можно применять через библиотеку Transformers для автоматического составления черновиков писем и продолжения уже начатого сообщения.

Для дообучения использован набор postbot/multi-emails-100k; в метаданных также указан датасет AESLC. В README приведён результат оценки Loss 1,9126. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Модель распространяется по лицензии Apache-2.0.

Карточка не описывает поддерживаемые языки и конкретные ограничения качества. Генерируемый текст следует проверять на точность, уместность тона и соответствие контексту перед отправкой.

Сценарии применения

  • создание черновика письма по приветствию и краткому описанию темы
  • продолжение начатого электронного письма
  • подготовка шаблонных деловых писем
  • автоматическое составление писем о последующих действиях

Ограничения

README сообщает, что сведения об ограничениях и оценочных данных неполны. Перед отправкой следует проверять факты, тон и соответствие сгенерированного текста ситуации.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilgpt2-emailgen: V2

colab

Why write the rest of your email when you can generate it?

from transformers import pipeline

model_tag = "postbot/distilgpt2-emailgen-V2"
generator = pipeline(
              'text-generation', 
              model=model_tag, 
            )
            
prompt = """
Hello, 

Following up on the bubblegum shipment."""

result = generator(
    prompt,
    max_length=64,
    do_sample=False,
    early_stopping=True,
) # generate
print(result[0]['generated_text'])

Model description

This model is a fine-tuned version of distilgpt2 on the postbot/multi-emails-100k dataset. It achieves the following results on the evaluation set:

  • Loss: 1.9126

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters (run 1/2)

TODO

Training hyperparameters (run 2/2)

The following hyperparameters were used during training:

  • learning_rate: 0.0006
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • distributed_type: multi-GPU
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 128
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.01
  • num_epochs: 4

Training results

Training LossEpochStepValidation Loss
1.90451.07892.0006
1.81152.015781.9557
1.85013.023671.9110
1.73764.031561.9126

Framework versions

  • Transformers 4.22.2
  • Pytorch 1.10.0+cu113
  • Datasets 2.5.1
  • Tokenizers 0.12.1

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.24.59
ARC (25-shot)20.99
HellaSwag (10-shot)26.78
MMLU (5-shot)25.53
TruthfulQA (0-shot)46.51
Winogrande (5-shot)52.01
GSM8K (5-shot)0.0
DROP (3-shot)0.31

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
155a823

0 моделей