/ Модель

Характеристики

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

facebook-xglm-564M

Генерация текстаТекст → текст3 профессии

Многоязычная базовая языковая модель TokSuite с токенизатором XGLM для исследований токенизации и устойчивости текста к искажениям.

250скачиваний 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–XGLM — языковая модель из набора TokSuite, разработанного для изучения влияния токенизатора на поведение языковых моделей. Модель предназначена для исследовательских экспериментов, многоязычного анализа и сравнительных испытаний устойчивости к искажениям текста. В контролируемом наборе TokSuite модели используют одинаковые архитектуру, обучающие данные, бюджет обучения и общую инициализацию пересекающихся элементов словаря; здесь используется токенизатор XGLM, а не остальные варианты токенизации набора.

Это авторегрессионный декодерный Transformer на конфигурации Llama-3.2-1B, с примерно 1 млрд нетокенизаторных параметров по README; метаданные указывают 1,8 млрд параметров и контекст 8192 токена. README описывает контекст 4096 токенов. Токенизатор XGLM использует Unigram, SentencePiece, словарь размером 256 008 токенов и обработку неизвестных символов через байтовый резерв. Обучение проводилось на многоязычном корпусе примерно из 100 млрд токенов: английском, китайском, турецком, итальянском и фарси. Модель принимает текст и генерирует текст.

В оценках TokSuite модель показала устойчивость к некоторым изменениям Unicode, визуально похожим символам и вариациям письменности; сильная нормализация Unicode помогает уменьшить чувствительность к поверхностным форматным различиям. Модель не настроена на выполнение инструкций, диалог или эксплуатационное развёртывание. Она обучена только на пяти языках, а фиксированный бюджет токенов влияет на объём исходного текста, увиденного при обучении. Лицензия — MIT.

Сценарии применения

  • Сравнение токенизаторов в контролируемых экспериментах
  • Оценка устойчивости языковой модели к опечаткам и форматным искажениям
  • Исследование влияния нормализации Unicode на генерацию текста
  • Многоязычный анализ поведения моделей на английском, китайском, турецком, итальянском и фарси
  • Бенчмаркинг базовых языковых моделей

Ограничения

Модель не настроена на инструкции и диалог и не оптимизирована для развёртывания; обучение охватывает только пять языков. README указывает контекст 4096 токенов, тогда как метаданные указывают 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

TokSuite – XGLM

Model Summary

TokSuite–XGLM is part of TokSuite, a controlled suite of language models designed to isolate and measure the impact of tokenizer choice on language model behavior.

This model is architecturally identical to the other 13 TokSuite models and differs only in its tokenizer. All TokSuite models share:

  • the same model architecture,
  • the same training data,
  • the same training budget,
  • and a shared initialization for overlapping vocabulary items.

As a result, any behavioral differences observed between TokSuite models can be attributed directly to tokenizer design, rather than confounding factors such as data scale, architecture, or optimization.


Tokenizer

  • Tokenizer: XGLM
  • Tokenization method: Unigram
  • Vocabulary size: 256,008
  • Out-of-vocabulary handling: Byte-fallback
  • Language coverage: Multilingual
  • Pretokenization source: SentencePiece

Processing details:

  • Numbers: Learned
  • Contractions: Learned
  • Unicode normalization: NFKC
  • Whitespace / boundary markers: Normalized
  • Zerowidth chars: Normalized/Removed

Why XGLM?

XGLM was included in TokSuite to represent large-vocabulary multilingual Unigram tokenization trained with SentencePiece. As described in the tokenizer selection rationale of the TokSuite paper, XGLM exemplifies a design point that combines a very large learned vocabulary with probabilistic subword segmentation.

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

  • vocabulary capacity is maximized,
  • segmentation is determined by a Unigram language model,
  • and multilingual coverage is prioritized at the tokenizer level.

This makes XGLM a representative example of modern multilingual 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, consisting 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 are trained with a fixed token budget, meaning that tokenizers with larger vocabularies and lower compression efficiency may observe less raw text (bytes/documents) during training.


Training Procedure

  • Training steps: 100,000
  • Sequence length: 4096
  • Batch size: 256 sequences
  • Optimizer: AdamW
  • Peak learning rate: 1e-3
  • 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–XGLM is evaluated on the TokSuite multilingual robustness benchmark, which probes real-world perturbations including:

  • orthographic and spelling errors,
  • diacritics presence/absence,
  • keyboard and input-method noise,
  • Unicode styling and homoglyphs,
  • OCR and spacing artifacts,
  • LaTeX and STEM 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.

Perturbation 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

Tokenizer-Specific Findings

In TokSuite evaluations, the XGLM tokenizer exhibits:

  • Strong robustness to:
    • Unicode styling and formatting perturbations,
    • visually similar homoglyph characters,
    • script-level variations across languages.

These strengths stem largely from aggressive Unicode normalization, which reduces sensitivity to superficial formatting changes.

However, this design introduces notable weaknesses:

  • High fragility on:
    • LaTeX-style mathematical expressions,
    • STEM content requiring precise symbol placement,
    • structurally meaningful whitespace and formatting.
  • Lossy preprocessing, where normalization removes distinctions that are semantically critical in technical domains.

This highlights a key trade-off: normalization improves robustness to stylistic noise but can destroy structural information essential for technical reasoning.


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 strictly for research purposes.
They inherit biases present in large-scale web data and should not be used in high-stakes or sensitive applications without additional alignment and evaluation.


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
5d41e02

0 моделей