/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1,4 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
27 авг 2025

common-pile-comma-v0.1

Генерация текстаТекст → текст3 профессии

TokSuite–Comma — многоязычная базовая Llama-модель для генерации текста и исследования влияния токенизатора Comma на поведение и устойчивость языковых моделей.

298скачиваний за 30 дней0лайковвеса обновлены25 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

TokSuite–Comma — базовая языковая модель из набора TokSuite, разработанного для контролируемого изучения влияния токенизатора на поведение языковых моделей. Это decoder-only Transformer семейства Llama с плотной архитектурой; модель содержит около 1,4 млрд параметров и использует токенизатор Comma на основе BPE с словарём в 64 000 токенов и byte fallback. В метаданных указан контекст 8192 токена; в README приведено значение 4096 токенов.

Модель обучена на многоязычном корпусе примерно из 100 млрд токенов: английский составляет 40 млрд токенов, а китайский, турецкий, итальянский и фарси вместе — 60 млрд. Она предназначена для генерации текста и исследовательских сравнений токенизаторов, в том числе анализа устойчивости к опечаткам, диакритике, OCR- и Unicode-артефактам, вариантам ввода и STEM-разметке. Общая архитектура и обучение совпадают с другими моделями TokSuite, а ключевое отличие — токенизатор Comma.

Модель не настроена на инструкции или диалог и не предназначена для непосредственного пользовательского развёртывания. Ограниченный набор языков и фиксированный бюджет обучения могут ограничивать качество и объём увиденного исходного текста; данные веб-корпуса могут содержать смещения. Лицензия — MIT.

Сценарии применения

  • сравнение влияния токенизаторов в контролируемых экспериментах
  • оценка устойчивости языковой модели к опечаткам и вариациям орфографии
  • анализ обработки диакритики, Unicode и артефактов OCR
  • бенчмаркинг многоязычной генерации текста
  • исследование токенизации STEM-текста и LaTeX-разметки

Ограничения

Модель не настроена на инструкции и диалог; README указывает пять поддерживаемых языков и исследовательское назначение. Возможны смещения обучающих веб-данных, а фиксированный бюджет обучения ограничивает объём исходного текста с учётом эффективности токенизатора.

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

TokSuite – Comma

Model Summary

TokSuite–Comma is part of TokSuite, a suite of language models designed to study the impact of tokenizer choice on language model behavior under controlled conditions.

This model uses the Comma tokenizer and is otherwise identical to the other TokSuite models in architecture, training data, training budget, and initialization. The TokSuite setup ensures that any observed behavioral characteristics reflect properties of the tokenizer rather than differences in model size, data, or optimization.


Tokenizer

  • Tokenizer: Comma
  • Tokenization method: BPE
  • Vocabulary size: 64,000
  • Out-of-vocabulary handling: Byte-fallback
  • Language coverage: Multilingual
  • Pretokenization source: GPT-4

Processing details:

  • Numbers: Group by 3
  • Contractions: GPT-4
  • Unicode normalization: None
  • Whitespace / boundary markers: Learned
  • Zerowidth chars: Token

Why Comma?

Comma was included in TokSuite to represent a multilingual BPE tokenizer with modern GPT-4–style pretokenization. As described in the tokenizer selection rationale of the TokSuite paper, Comma exemplifies a design point where subword segmentation is combined with contemporary preprocessing choices for multilingual text.

Including Comma enables TokSuite to study tokenizer behavior in settings where:

  • BPE segmentation is used with byte fallback,
  • preprocessing follows GPT-4–style conventions,
  • and multilingual text is handled by a single shared tokenizer.

This makes Comma a representative example of recent multilingual BPE tokenizer design.


Model Architecture

  • Architecture: Decoder-only Transformer (Lingua's Llama-3.2-1B configuration)
  • Non-embedding parameters: ~1B
  • Context length: 4096 tokens
  • Framework: Meta Lingua
  • Initialization: Shared super-vocabulary initialization across TokSuite models

The architecture and training setup are identical across all TokSuite models; only the tokenizer differs.


Training Data

The model was trained on a multilingual corpus totaling approximately 100B tokens, composed of:

  • English: 40B tokens from FineWeb-Edu
  • Multilingual: 60B tokens evenly distributed across:
    • Chinese (ZH)
    • Turkish (TR)
    • Italian (IT)
    • Farsi (FA)

You can find the pretraining dataset here: toksuite/toksuite_pretraining_data

All models in TokSuite are trained using a fixed token budget, following common practice in large-scale language model training.


Training Procedure

  • Training steps: 100,000
  • Sequence length: 4096
  • Batch size: 256 sequences
  • Optimizer: AdamW
  • Peak learning rate: 1e-3
  • Learning rate schedule: Cosine decay with 2,000 warm-up steps
  • Weight decay: 0.1

Evaluation

Canonical Benchmarks

The model was evaluated on standard base language model benchmarks:

  • HellaSwag
  • ARC
  • PIQA
  • XNLI

These evaluations verify that the model exhibits reasonable base language modeling behavior at its scale and training budget.

TokSuite Robustness Benchmark

TokSuite–Comma is evaluated on the TokSuite robustness benchmark, which measures sensitivity to real-world text perturbations, including:

  • orthographic and spelling variations,
  • diacritics presence and absence,
  • keyboard and input-method noise,
  • Unicode formatting and homoglyphs,
  • OCR and spacing artifacts,
  • LaTeX and STEM-style formatting.

Tokenization Robustness under Multilingual Text Perturbations
Values represent relative performance drop, computed as (Acc_clean − Acc_perturbed) / Acc_clean, where lower values indicate greater robustness.

PPerturbation types include:

  • Input: non-native keyboard input and romanization
  • Diacr.: optional diacritics
  • Orth.& Gram.: orthographic and grammatical errors
  • Morph: morphological variations including derivations, inflections, and contractions
  • Noise: homoglyph substitutions, OCR artifacts, typos, and spacing errors
  • LaTeX: LaTeX-style mathematical formatting
  • STEM: scientific diagrams and notational conventions
  • Unic.: Unicode styling characters

NEN denotes non-English inputs and EN denotes English inputs. The Avg column reports the average relative performance drop across all perturbation categories.

ModelInput (NEN)Diacr. (NEN)Orth. & Gram. (EN)Orth. & Gram. (NEN)Morph (EN)Morph (NEN)Noise (EN)Noise (NEN)LaTeX (EN)STEM (EN)Unic. (EN)Avg ↓
TokenMonster0.230.330.080.010.23-0.070.100.180.210.100.510.17
XGLM0.340.490.100.110.250.070.120.220.290.290.110.22
BLOOM0.300.340.130.070.180.110.180.180.240.110.570.22
ByT50.300.440.040.060.270.040.140.180.170.290.530.22
Comma0.280.430.050.070.180.000.110.200.230.290.610.22
mBERT0.330.440.110.110.230.060.180.220.140.220.610.24
GPT-4o0.300.510.080.050.210.050.160.190.240.330.550.24
GPT-20.340.460.070.100.250.060.140.210.240.350.530.25
Phi-30.330.460.160.090.270.080.170.210.240.220.550.25
Gemma-20.320.420.140.150.240.030.160.250.220.360.570.26
Qwen-30.360.420.140.110.250.060.160.230.260.290.570.26
Llama-3.20.330.550.110.100.250.080.150.240.170.300.590.26
Aya0.310.460.140.100.220.030.190.250.210.380.580.26
Tekken0.330.470.180.030.310.100.140.210.270.430.540.27
Avg0.310.440.110.080.240.040.150.210.220.280.530.24

Intended Use

This model is intended for:

  • research on tokenization and robustness,
  • multilingual NLP analysis,
  • controlled ablation studies,
  • benchmarking tokenizer behavior under noise.

It is not instruction-tuned, aligned, or optimized for deployment.


Limitations

  • Trained on a limited set of five languages.
  • Not optimized for instruction following or dialogue.
  • Fixed token budget constrains exposure to raw text depending on tokenization efficiency.
  • Intended strictly for research purposes.

Ethical Considerations

TokSuite models are released to support scientific investigation of tokenization effects.
They may reflect biases present in large-scale web data and should not be used in high-stakes or user-facing applications without additional safeguards.


Citation

If you use this model, please cite:

@article{toksuite2025,
  title={TokSuite: Measuring the Impact of Tokenizer Choice on Language Model Behavior},
  author={Altıntaş, Gul Sena and Ehghaghi, Malikeh and Lester, Brian and Liu, Fengyuan and Zhao, Wanru and Ciccone, Marco and Raffel, Colin},
  year={2025},
  arxiv={https://arxiv.org/abs/2512.20757},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов
c998d8b

0 моделей