/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
bloom · dense
Опубликована
15 фев 2024

Carballo-bloom-1.3B

Генерация текстаТекст → текст3 профессии

Авторегрессионная модель BLOOM, адаптированная для генерации и продолжения текста на галисийском языке.

81скачиваний за 30 дней7лайковвеса обновлены22 апр 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

Carballo-bloom-1.3B — авторегрессионная языковая модель на архитектуре BLOOM, разработанная в рамках проекта Nós. Это результат дальнейшего предобучения FLOR-1.3B, созданной проектом AINA на базе BLOOM-1.7B, на галисийском корпусе CorpusNÓS. В метаданных указано 1,7 млрд параметров, а в README — 1,3 млрд; контекст модели составляет 4096 токенов.

Модель предназначена для генерации текста на галисийском языке и может служить основой для дообучения под конкретные сценарии. При адаптации заменили токенизатор и словарь на обученные для галисийского BPE, а веса эмбеддингов и модели инициализировали из FLOR-1.3B. Обучение проводилось на корпусе CorpusNÓS объёмом около 2,1 млрд слов, включающем книги, научные статьи, прессу, блоги, энциклопедические материалы и веб-тексты.

Модель не заявлена как универсальная диалоговая система: README указывает готовность к причинному языковому моделированию и генерации текста. Лицензия — Apache-2.0.

Сценарии применения

  • генерация текста на галисийском языке
  • продолжение галисийского текста
  • создание черновиков статей и публикаций на галисийском
  • дообучение языковой модели для галисийских текстовых сценариев

Ограничения

Модель предназначена прежде всего для генерации текста на галисийском и требует дообучения для специализированных сценариев. В README заявлено 1,3 млрд параметров, тогда как метаданные указывают 1,7 млрд.

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

Carballo-bloom-1.3B

Table of Contents

Model description

Carballo-bloom-1.3B is a 1.3B-parameter transformer-based causal language model for Galician. It is the result of a continual pretraining of FLOR-1.3B (developed by AINA Project and based in BLOOM-1.7B) with the galician corpus CorpusNos.

Intended uses and limitations

The Carballo-bloom-1.3B model is ready-to-use only for causal language modeling. It can perform text-generation tasks and be fine-tuned for specific scenarios.

How to use

import torch
from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM

input_text = "Hoxe fai un bo día. O sol  "

model_id  = "proxectonos/Carballo-bloom-1.3B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
generator = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    device_map="auto",
)
generation = generator(
    input_text,
    do_sample=True,
    top_k=10,
    eos_token_id=tokenizer.eos_token_id
)

print(f"Result: {generation[0]['generated_text']}")

Training

Tools

It was trained using HuggingFace Transformers and Pytorch, using the Causal Modeling Language script

Language adaptation and training

The language adaptation technique used to train Carballo-bloom-1.3B is based in the used to train FLOR-1.3B, which is explained by their authors in this Medium Post. In summary, we proceeded as follows:

  1. We trained our own BPE tokenizer for galician and replaced the original FLOR-1.3B tokenizer and vocabulary with it.
  2. The embeddings corresponding to tokens that are present in both the original and the target vocabulary (matching tokens) were used for initialization.
  3. The embeddings from tokens not present in Carballo-bloom-1.3B's original vocabulary were initialized as the average of all embeddings.
  4. The model was initialized with the weights from FLOR-1.3B and with our adapted tokenizer (step 1) and embeddings (steps 2-3).
  5. The model was then trained on a galician corpus.

Training data

CorpusNÓS is a massive Galician corpus made up of 2.1B words primarily devised for training large language models. The corpus sources are varied and represent a relatively wide range of genres.

The corpus is structured as follows:

SubcorpusGenreNº tokensNº documents
Data obtained via transfer agreementBooks7,255,784104
Research articles2,665,351664
Press124,253,084224,419
Governmental245,897,880654,505
Web contents15,946,68644,165
Encyclopedic4,799,21447,396
Subtotal400,817,999971,253
SubcorpusGenreNº tokensNº documents
Public dataPress and blogs153,497,883665,265
Encyclopedic57,164,848184,628
Web crawls1,384,015,6643,366,449
Translation corpora133,726,0044,745,799
Subtotal1,728,404,3998,777,514
Total2,129,222,3989,748,767
Download (Zenodo)https://zenodo.org/records/10687642

Training hyperparameters

  • seed: 42
  • num_devices: 1
  • train_batch_size: 2
  • eval_batch_size: 2
  • gradient_acummulation: 4
  • optimizer: AdamW
  • betas: (0.9,0.999)
  • epsilon: 1e-08
  • weight_decay_rate: 0.1
  • scheduler: "Linear"
  • learning_rate: 5e-05
  • num_epochs: 1.2

Framework

The traininf was conducted in the Galicia Supercomputing Center (CESGA), using 1 node with 5 GPUs NVIDIA A100.

Evaluation

ModelBelebeleCoLAOpenBookQAParafrases-glPAWS-X
Carballo-Bloom0.231±0.0140.499±0.0120.364±0.0220.523±0.0310.541±0.011
Carballo-Cerebras0.271±0.0150.502±0.0120.368±0.0220.496±0.0310.531±0.011
Bloom-1b10.234±0.0140.507±0.0120.338±0.0210.485±0.0310.508±0.011
Bloom-1b70.218±0.0140.500±0.0120.338±0.0210.539±0.0310.539±0.011
mGPT0.229±0.0140.494±0.0120.332±0.0210.423±0.0310.517±0.011
Flor-1.3B0.220±0.0140.504±0.0120.342±0.0210.516±0.0310.536±0.011
Cerebras-1.3B0.221±0.0140.497±0.0120.300±0.0210.492±0.0310.531±0.011

Additional information

Contact

For further information, please send an email to proxecto.nos@usc.gal

Funding

This model was development within the Nós Project, funded by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ILENIA with reference 2022/TL22/00215336.

How to cite this work

if you use this model, please cite this article:

Gamallo, Pablo, Pablo Rodríguez Fernández, Iria de Dios Flores, Susana Sotelo, Silvia Paniagua, José Ramom Pichel, Daniel Bardanca, Marcos Garcia (2024) "Open Generative Large Language Models for Galician", Procesamiento del Lenguaje Natural, 73, pp. 259-270. ISSN: 1135-5948.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BloomForCausalLM
Ревизия весов
4243626

0 моделей