Характеристики

Контекст: 2 048 токенов
Параметры: 8,3 млн
Архитектура: gpt_neo · dense
Опубликована: 12 мая 2023

Ссылки

Hugging Face arXiv 2305.07759

TinyStories-3M

roneneldan

Генерация текстаТекст → текст3 профессии

Компактная GPT-Neo-модель для продолжения текста и генерации простых историй по короткой подсказке.

4 744скачиваний за 30 дней4лайкавеса обновлены17 мая 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

roneneldan/TinyStories-3M — компактная языковая модель семейства GPT-Neo, разработанная Роненом Элданом и обученная на наборе TinyStories. Модель содержит 8,3 млн параметров и принимает текстовый запрос, чтобы продолжить его связным текстом; пример в карточке показывает генерацию короткой истории по началу «Once upon a time there was». Контекст модели составляет 2048 токенов.

Модель подходит для генерации простых историй и экспериментов с языковыми моделями небольшого размера. В примере используется токенизатор EleutherAI/gpt-neo-125M, поэтому для воспроизведения генерации потребуется совместимый токенизатор. Карточка не сообщает лицензию и подробные ограничения качества; назначение модели и обучающий набор ориентированы на простые истории на английском языке.

Сценарии применения

генерация короткой истории по её началу
продолжение простого повествовательного текста
создание детских сказок и рассказов
эксперименты с генерацией текста на небольшой модели

Ограничения

Модель очень мала по современным меркам и обучена на наборе простых историй, поэтому может хуже справляться со сложными запросами и фактическими вопросами. Лицензия в предоставленных источниках не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model trained on the TinyStories Dataset, see https://arxiv.org/abs/2305.07759

------ EXAMPLE USAGE ---

from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig

model = AutoModelForCausalLM.from_pretrained('roneneldan/TinyStories-3M')

tokenizer = AutoTokenizer.from_pretrained("EleutherAI/gpt-neo-125M")

prompt = "Once upon a time there was"

input_ids = tokenizer.encode(prompt, return_tensors="pt")

Generate completion

output = model.generate(input_ids, max_length = 1000, num_beams=1)

Decode the completion

output_text = tokenizer.decode(output[0], skip_special_tokens=True)

Print the generated text

print(output_text)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: GPTNeoForCausalLM
Ревизия весов: cfaf26e