Характеристики

Контекст: 1 024 токена
Параметры: 10,1 млн
Архитектура: gpt_neo · dense
Библиотека: transformers
Опубликована: 1 дек 2023

Ссылки

Hugging Face

Tinystories-0.1-9m

segestic

Генерация текстаТекст → текст3 профессии

Компактная модель GPT-Neo для генерации коротких простых историй на английском языке.

419скачиваний за 30 дней0лайковвеса обновлены1 дек 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

Tinystories-0.1-9m — небольшая авторегрессионная языковая модель семейства GPT-Neo, опубликованная segestic. Модель создана с использованием библиотеки Transformers как воспроизведение моделей TinyStories и содержит 10,1 млн параметров по метаданным; в README указано округлённое значение 9 млн. Репозиторий содержит веса PyTorch, а заявленная длина контекста составляет 1024 токена.

Модель предназначена для продолжения текста и генерации коротких простых историй на английском языке, в частности по началу вроде «Once upon a time there was». Для запуска в README приведён пример с Transformers и AutoModelForCausalLM. В метаданных указан датасет TinyStories.

Это компактный чекпойнт для экспериментов и генерации простых рассказов; его небольшой размер удобен для запуска на потребительском GPU. Карточка не сообщает результатов оценки качества или условий лицензии, поэтому применимость за пределами коротких историй и условия повторного использования по имеющимся сведениям определить нельзя.

Сценарии применения

продолжение английского текста с заданного начала
генерация коротких простых историй для детей
эксперименты с генерацией текста на потребительском GPU

Ограничения

Контекст ограничен 1024 токенами; карточка не приводит оценок качества. Лицензия и условия использования в предоставленных источниках не указаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

We tried to use the huggingface transformers library to recreate the TinyStories models on Consumer GPU. Output model has 9 million parameters.

Tweaked code of springtangent (https://github.com/springtangent/tinystoriestrainer/blob/main/tinystories_train.py)

Code credit - springtangent

------ EXAMPLE USAGE ---

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("segestic/Tinystories-0.1-9m")

model = AutoModelForCausalLM.from_pretrained("segestic/Tinystories-0.1-9m")

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 · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: GPTNeoForCausalLM
Ревизия весов: 0bcf92c