Характеристики

Контекст: 1 026 токенов
Параметры: 79,7 млн
Лицензия: MIT
Архитектура: bart · dense
Базовая модель: kobart-base-v2
Опубликована: 9 июн 2024

Ссылки

Gyeongsang_encoder

Языковая модель

Дообученная корейская BART-модель на 79,7 млн параметров с контекстом 1026 токенов, назначение которой не описано в карточке.

10скачиваний за 30 дней0лайковвеса обновлены9 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Gyeongsang_encoder — дообученная модель на архитектуре BART, созданная на основе gogamza/kobart-base-v2. В репозитории указано 79,7 млн параметров; модель сохранена в формате safetensors и распространяется по лицензии MIT. Контекст составляет до 1026 токенов.

Модель оценивается метриками Loss и BLEU на тестовом наборе, однако карточка не объясняет её назначение, данные обучения или способ оценки. Название указывает на связь с диалектом Кёнсан, но README не подтверждает конкретную задачу, поэтому практические сценарии использования определить нельзя.

Ограничения

Карточка не описывает назначение модели, обучающие данные и ограничения; приведённые значения BLEU и Loss не сопровождаются сведениями о тестовом наборе или методике оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Gyeongsang_encoder

This model is a fine-tuned version of gogamza/kobart-base-v2 on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.0062
Bleu: 91.4436
Gen Len: 13.3478

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Bleu	Gen Len
0.0054	1.0	12910	0.0072	91.1948	13.3484
0.0052	2.0	25820	0.0063	91.3684	13.3464
0.0043	3.0	38730	0.0062	91.4436	13.3478

Framework versions

Transformers 4.42.0.dev0
Pytorch 2.2.1+cu121
Datasets 2.19.2
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры: BartForConditionalGeneration
Ревизия весов: 0a46a49