/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
2,5 млрд
Размер весов
5,1 ГБ
Лицензия
Apache 2.0
Архитектура
granite · dense
Базовая модель
granite-3.0-2b-instruct
Библиотека
transformers
Опубликована
19 дек 2024

Schaapje-2B-Pretrained

Генерация текстаТекст → текст4 профессии

Нидерландская версия IBM Granite 3.0 2B Instruct с продолженным предобучением для более беглой генерации текста на нидерландском языке.

35скачиваний за 30 дней3лайкавеса обновлены19 янв 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

Schaapje-2B-Pretrained — нидерландоязычная модель генерации текста, созданная Robinsmits путём продолжения предобучения IBM Granite 3.0 2B Instruct. Модель обучалась примерно на 2,4 млрд токенов нидерландских текстов из Wikipedia и MC4, чтобы повысить беглость генерации на нидерландском языке и расширить знания о нём.

Модель подходит для генерации и продолжения текста на нидерландском, в том числе в диалоговых сценариях. Это плотная авторегрессионная архитектура GraniteForCausalLM на 2,5 млрд параметров с контекстом до 4096 токенов; файлы представлены в формате safetensors и предназначены для библиотеки Transformers. Доступна по лицензии Apache-2.0.

Как и другие языковые модели, она может выдавать предвзятые или фактически неверные ответы. Перед применением результаты следует проверять и валидировать; карточка не приводит количественных оценок качества.

Сценарии применения

  • генерация текстов на нидерландском языке
  • продолжение нидерландских текстов
  • диалоговый помощник на нидерландском языке
  • ответы на вопросы на нидерландском языке

Ограничения

Модель может выдавать предвзятую или фактически неверную информацию; ответы необходимо проверять. Карточка не содержит количественных оценок качества.

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

Schaapje-2B-Pretrained

Model description

This continual pretrained model is pretrained on roughly 2.4 Billion tokens of Dutch language data based on Wikipedia and MC4.

Primary objective with continual pretraining on Dutch was to make the model more 'fluent' when using the Dutch language. It will also have gained some additional Dutch knowledge.

As a base model the IBM Granite 3.0 2B Instruct model was used.

See ibm-granite/granite-3.0-2b-instruct for all information about the IBM Granite foundation model.

Model usage

A basic example of how to use this continual pretrained model.

!! IMPORTANT NOTE !! As this is an instruct model that was continual pretrained on dutch data there is some degredation in the performance regarding instruction-following. This custom pretrained model should be further finetuned with SFT in which the embedding and lm_head layer are also trained. Given a proper SFT dataset in dutch this will restore the instruction following/EOS token functionality. See the SFT training notebook for Schaapje on one of the ways on how to do this.

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

device = 'cuda'
model_name = 'robinsmits/Schaapje-2B-Pretrained'

model = AutoModelForCausalLM.from_pretrained(model_name, 
                                             device_map = "auto", 
                                             torch_dtype = torch.bfloat16)

tokenizer = AutoTokenizer.from_pretrained(model_name)

messages = [{"role": "user", "content": "Hoi hoe gaat het ermee?"}]

chat = tokenizer.apply_chat_template(messages, 
                                     tokenize = False, 
                                     add_generation_prompt = True)

input_tokens = tokenizer(chat, return_tensors = "pt").to('cuda')

output = model.generate(**input_tokens, 
                        max_new_tokens = 512,
                        do_sample = True)

output = tokenizer.decode(output[0], skip_special_tokens = False)
print(output)

Intended uses & limitations

As with all LLM's this model can also experience bias and hallucinations. Regardless of how you use this model always perform the necessary testing and validation.

Datasets and Licenses

The datasets used for the continual pretraining had different licenses:

Model Training

The continual pretraining notebook is available at the following link: Schaapje_2B_Pretrained

Training was performed with Google Colab PRO on a A100 - 40GB in multiple sessions. As the amount of data was more than would fit within the maximum 24 hour session that Google Colab PRO allows I split the dataset in 5 roughly equal parts. Training for each part lasted around 18 to 24 hours. The 'resume_from_checkpoint' was used to continue pretraining in a proper way.

Continual Pretraining dataset was created with the script: prepare_pretraining_datasets

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GraniteForCausalLM
Ревизия весов
8c12c3e

0 моделей