/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
19,2 млн
Лицензия
Apache 2.0
Архитектура
gpt_neox · dense
Опубликована
12 сен 2023

pythia-31m-simplewiki-2048

Генерация текстаТекст → текст3 профессии

Небольшая авторегрессионная GPT-NeoX-модель для экспериментов и сравнения качества генерации текста на материалах Simple Wikipedia.

75скачиваний за 30 дней1лайквеса обновлены29 дек 2025

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

pythia-31m-simplewiki-2048 — небольшая авторегрессионная языковая модель на архитектуре GPT-NeoX, созданная pszemraj. Модель инициализирована случайными весами по конфигурации EleutherAI/pythia-31m и обучена в течение трёх эпох на наборе pszemraj/simple_wikipedia_LM. В репозитории указаны 19,2 млн параметров, контекст до 2048 токенов и формат Safetensors.

Модель предназначена как базовая точка сравнения для экспериментов с генерацией текста, в частности с текстами на основе Simple Wikipedia. В README приведены результаты оценки: loss 3,6874 и accuracy 0,4105; более высоких показателей качества или специализированных сценариев карточка не заявляет. Лицензия — Apache-2.0.

Сценарии применения

  • генерация продолжений текстов в стиле Simple Wikipedia
  • эксперименты с малыми языковыми моделями
  • сравнение результатов обучения моделей на корпусе Simple Wikipedia

Ограничения

Это базовая модель для сравнения, а не модель с заявленным производственным качеством; она обучалась на ограниченном корпусе Simple Wikipedia. README не приводит оценок по отдельным языкам или широкому набору практических задач.

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

pythia-31m-simplewiki-2048

This was initialized from random weights based on the config of EleutherAI/pythia-31m and trained on pszemraj/simple_wikipedia_LM for 3 epochs.

It achieves the following results on the evaluation set:

  • Loss: 3.6874
  • Accuracy: 0.4105

Model description

More information needed

Intended uses & limitations

This is a baseline for comparison to other models.

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0005
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 80085
  • gradient_accumulation_steps: 64
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.99) and epsilon=1e-07
  • lr_scheduler_type: inverse_sqrt
  • lr_scheduler_warmup_ratio: 0.05
  • num_epochs: 3.0

Training results

Training LossEpochStepValidation LossAccuracy
6.06570.221005.62100.2414
5.24470.452004.93160.3054
4.83970.673004.60110.3343
4.79330.94004.38780.3530
4.2741.125004.23520.3646
4.48671.356004.12240.3723
4.34341.577004.02820.3791
4.18571.88003.95520.3841
4.2292.029003.88900.3909
3.91892.2510003.83010.3967
4.0842.4711003.77820.4023
3.89652.712003.73020.4069
3.9152.9213003.68740.4105

Framework versions

  • Transformers 4.33.1
  • Pytorch 2.2.0.dev20230907+cu118
  • Datasets 2.14.5
  • Tokenizers 0.13.3

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.24.35
ARC (25-shot)22.18
HellaSwag (10-shot)25.55
MMLU (5-shot)23.12
TruthfulQA (0-shot)49.37
Winogrande (5-shot)49.41
GSM8K (5-shot)0.0
DROP (3-shot)0.81

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTNeoXForCausalLM
Ревизия весов
c9e966d

0 моделей