/ Модель

Характеристики

Контекст
8 192 токена
Параметры
145 млн
Архитектура
llama · dense
Библиотека
transformers
Опубликована
21 мар 2025

Marathi-SmolLM2-145M

Генерация текстаТекст → текст3 профессии

Экспериментальная базовая модель семейства Llama на 145,4 млн параметров для генерации текста на маратхи.

289скачиваний за 30 дней0лайковвеса обновлены6 окт 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

Marathi-SmolLM2-145M — экспериментальная базовая языковая модель на 145,4 млн параметров, созданная разработчиком sky-2002 по мотивам архитектуры SmolLM2. Это плотная авторегрессионная модель семейства Llama для генерации текста на маратхи. Она предварительно обучена на проверенной маратхской части набора ai4bharat/sangraha объёмом около 2,8 млрд токенов. Модель рассчитана на продолжение текста и исследовательские эксперименты с генерацией на маратхи; диалоговая донастройка для неё в карточке обозначена как будущая работа.

В метаданных указан контекст до 8192 токенов, однако README сообщает, что при обучении использовалась длина контекста 512 токенов. Формат весов — safetensors, библиотека — Transformers. Модель может выдавать бессвязный текст, особенно на запросы вне обучающих доменов или в разговорном стиле. Условия лицензии в предоставленных данных не приведены.

Сценарии применения

  • продолжение текста на маратхи
  • эксперименты с языковыми моделями для маратхи
  • создание прототипов генерации маратхского текста

Ограничения

Модель часто генерирует бессвязный текст для запросов вне обучающих доменов и в разговорном стиле. README указывает на длину контекста обучения 512 токенов, тогда как метаданные заявляют нативный контекст 8192 токена.

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

Model Card for Model ID

Model Details

An experimental 145M parameter pre-trained base model for marathi. Inspired by SmolLM2 and its architecture.

Pre-trained on verified marathi split of the ai4bharat/sangraha dataset, around ~2.8 billion tokens.

Note: This is an experimental model and will be followed by more pre-training, followed by task specific instruction finetuning.

How to use

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("sky-2002/Marathi-SmolLM2-145M")
model = AutoModelForCausalLM.from_pretrained("sky-2002/Marathi-SmolLM2-145M")

sentence = "पुणे विद्यापीठाने म्हटले आहे"
inputs = tokenizer(sentence, return_tensors="pt")
output = model.generate(**inputs, max_length=50)
print(tokenizer.batch_decode(output, skip_special_tokens=True))

Model Description, data and training details

Architecture: SmolLM2 based

Tokenizer: Uses the sarvamai/sarvam-1 tokenizer, since it has been trained on indic languages and has lower fertility rates than existing multilingual tokenizers.

Training dataset: The training dataset covers the following domains.

alt text

Training:

  • Trained using modal platform on an A100.
  • Trained for 1 epoch on verified marathi split of sangraha dataset, covering ~5.8M samples.

This model can generate coherent text, especially in the domains similar to those in the training dataset.

Bias, Risks, and Limitations

This model is trained on data of 2.8 B tokens and using a context length of 512, due to computational constraints of training. Often gives out gibberish if prompt is not related to domains shown, or if in a conversational style.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
66db8a8

0 моделей