instruct_rugptMedium/README.md

datasets, inference, license, language, pipeline_tag, widget, library_name, tags

datasets	inference	license	language	pipeline_tag	widget	library_name	tags
IlyaGusev/habr Den4ikAI/russian_instructions wiki_qa	parameters min_length max_new_tokens top_k top_p early_stopping no_repeat_ngram_size use_cache repetition_penalty length_penalty num_beams 20 100 50 0.9 True 2 True 1.5 0.8 4	apache-2.0	ru	text-generation	text example_title Может ли встретиться пингвин и белый медведь? Question Answering text example_title Как зарабатывать много денег обучая модели? Open domain Knoweledge text example_title Напиши код который выведет Привет Мир Scientific knowledge	transformers	finance code

Instructions ruGPT Medium v0.11_75к_a

Model Summary

Это ruGPTMedium дообученная в инструктивно-флановом сетапе, она более ли менее ZSшотиться и FSшотиться и работает лучше чем XGLM1.7b, mgpt на русском языке

Quick Start

from transformers import pipeline
#в душе не ебу будет ли норм работать, ставлю жопу автора хф что токенайзер мисматчнет с моделью, вообще грузите по нормальному
pipe = pipeline(model='AlexWortega/instruct_rugptMedium')
pipe('''Как собрать питон код?''')

or

from transformers import GPT2TokenizerFast,GPT2LMHeadModel
tokenizer = GPT2TokenizerFast.from_pretrained("AlexWortega/instruct_rugptMedium")
special_tokens_dict = {'additional_special_tokens': ['<code>', '</code>', '<instructionS>', '<instructionE>', '<next>']}

tokenizer.add_special_tokens(special_tokens_dict)
device = 'cuda:1'
model = GPT2LMHeadModel.from_pretrained("AlexWortega/instruct_rugptMedium")
model.to(device)

model.resize_token_embeddings(len(tokenizer))

обратите внимание, что лучшие параметры для генерации

gen_kwargs = {
        "min_length": 20,
        "max_new_tokens": 100,
        "top_k": 50,
        "top_p": 0.9,
        "do_sample": True,  
        "early_stopping": True,
        "no_repeat_ngram_size": 2,
        "eos_token_id": tokenizer.eos_token_id,
        "pad_token_id": tokenizer.eos_token_id,
        "use_cache": True,
        "repetition_penalty": 1.5,  
        "length_penalty": 0.8,  
        "num_beams": 4,
        "num_return_sequences": k
    }

License

The weights of Instructions ruGPT Small v0.1a are licensed under version 2.0 of the Apache License.

Hyperparameters

I used Novograd with a learning rate of 2e-5 and global batch size of 6 (3 for each data parallel worker). I use both data parallelism and pipeline parallelism to conduct training. During training, we truncate the input sequence to 1024 tokens, and for input sequence that contains less than 1024 tokens, we concatenate multiple sequences into one long sequence to improve the data efficiency.

References

#Metrics

SOON

BibTeX entry and citation info

@article{
  title={GPT2xl is underrated task solver},
  author={Nickolich Aleksandr, 5Q, datascience, Ilya Gusev, Alex Kukushkin, Karina Romanova, Arseniy Shahmatov, Maksim Gersimenko},
  year={2023}
}