/ Модель

Характеристики

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

gpt2

Генерация текстаТекст → текст3 профессии

Исследовательская базовая языковая модель TokSuite с токенизатором GPT-2 для генерации текста и изучения влияния токенизации на устойчивость языковых моделей.

469скачиваний 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–GPT-2 — базовая языковая модель из набора TokSuite, разработанного для контролируемого изучения влияния токенизатора на поведение языковых моделей. Это плотный декодерный Transformer на конфигурации Llama-3.2-1B от Meta Lingua с примерно 1,4 млрд параметров по метаданным и контекстом до 8192 токенов по метаданным. Вариант использует токенизатор GPT-2 с BPE и словарём из 50 257 токенов; карточка описывает его как англоязычный токенизатор с обработкой байтов вне словаря.

Модель предназначена для исследований токенизации, устойчивости к текстовым искажениям, многоязычного анализа и контролируемых сравнительных экспериментов. Её можно применять для генерации текста и оценки поведения языковой модели на чистом и зашумлённом вводе. Обучающий корпус включает английский, китайский, турецкий, итальянский и фарси, хотя сам токенизатор ориентирован на английский.

Модель не настроена на следование инструкциям, диалог или эксплуатационное развертывание; карточка позиционирует её для исследований. README указывает контекст 4096 токенов, тогда как метаданные каталога указывают 8192. Лицензия — MIT.

Сценарии применения

  • сравнение токенизаторов в контролируемых экспериментах
  • оценка устойчивости языковой модели к опечаткам и шуму ввода
  • анализ влияния диакритики и Unicode-искажений на генерацию
  • исследование поведения модели на многоязычных текстах
  • бенчмаркинг генерации текста на ограниченном наборе языков

Ограничения

Модель не настроена на диалог и следование инструкциям и не предназначена для пользовательского или высокорискового применения. Токенизатор ориентирован на английский, а обучение охватывает лишь пять языков; указания на длину контекста расходятся: README сообщает 4096 токенов, метаданные — 8192.

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 – GPT-2

Model Summary

TokSuite–GPT-2 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 GPT-2 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: GPT-2
  • Tokenization method: BPE
  • Vocabulary size: 50,257
  • Out-of-vocabulary handling: Byte-fallback
  • Language coverage: English-only
  • Pretokenization source: GPT-2

Processing details:

  • Numbers: Group
  • Contractions: GPT-2
  • Unicode normalization: None
  • Whitespace / boundary markers: Individual
  • Zerowidth chars: Token

Why GPT-2?

GPT-2 was included in TokSuite to represent a canonical English BPE tokenizer that has been widely adopted in early large-scale language models. As described in the tokenizer selection rationale of the TokSuite paper, GPT-2 provides a well-established reference point for studying subword tokenization without explicit normalization or language-specific preprocessing.

Including GPT-2 enables TokSuite to study tokenizer behavior in settings where:

  • tokenization is optimized for English,
  • preprocessing and normalization are minimal,
  • and whitespace is handled implicitly through token boundaries.

This makes GPT-2 a foundational tokenizer design within the TokSuite collection.


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 hyperparameters are fixed across all TokSuite models; the tokenizer is the only variable.


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 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–GPT-2 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.

  • 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 constraints 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
4b9e9a0

0 моделей