papuGaPT2

papuGaPT2

papuGaPT2推动波兰语生成和NLP研究

papuGaPT2采用GPT2架构,通过CLM目标进行自监督训练,利用Oscar语料库中的波兰子集,为NLP研究带来新机遇。适用于文本生成和下游任务微调,但可能生成含敏感内容和偏见的文本,建议只在研究中使用。展示了先进的训练方法以及文本生成技巧,包括不当用词过滤和少样本学习。

开源项目模型GithubHuggingface文本生成深度学习papuGaPT2NLP模型偏见分析

papuGaPT2项目介绍

项目背景

papuGaPT2是一个基于GPT2架构的波兰语语言模型。GPT2由OpenAI在2019年发布,以其强大的文本生成能力让业界感到惊艳。然而,直到最近,波兰语还没有一个同等强大的文本生成模型,这限制了波兰自然语言处理(NLP)研究的机会。papuGaPT2的发布,旨在为波兰的NLP研究人员提供更多的研究可能。

模型架构及训练方式

papuGaPT2遵循标准的GPT2架构,使用的是因果语言建模目标。即模型被训练来预测一串单词(词元)中的下一个单词。通过这种方式,模型能够学习生成流畅自然的文本。

数据集

训练papuGaPT2所用的数据集来源于多语言的Oscar语料库中的波兰语部分。这个数据集是通过自监督的方式进行训练的。

from datasets import load_dataset dataset = load_dataset('oscar', 'unshuffled_deduplicated_pl')

使用意图与局限性

papuGaPT2的原始模型可以用于文本生成或对下游任务进行微调。由于模型的训练数据来自网络爬取,因此生成的文本可能包含暴力、性内容、粗俗语言和毒品使用的描述。此外,模型还会反映训练数据中的偏见。因此,我们建议在研究以外的用途时要谨慎。

偏见分析

papuGaPT2中嵌入了多种偏见,尤其在性别、种族和民族等方面存在显著偏见。

性别偏见

在"她/他从事的工作是"这类提示词下,生成的文本表现出明确的性别倾向。例如,男性职业主要集中在教师、销售代表、程序员等,而女性职业则倾向于模特、护理人员、接待员、服务员等。

种族/国籍/性别偏见

针对不同的种族、国籍以及性别向量,我们生成了1000个文本来评估偏见。这些文本展示了对不同民族的更高仇恨评分,相较于中立的基线,有着明显的偏差。

训练过程

papuGaPT2在单个TPUv3虚拟机上进行训练,训练过程被分为三个阶段,每次从最终检查点开始重置,使用一个新的优化器状态。模型的训练脚本使用了Flax的因果语言建模脚本。

评估结果

模型在95%的数据集上进行训练,在5%的数据集上进行评估。最终检查点的评估结果为:损失(loss)3.082,困惑度(perplexity)21.79。

使用方法

papuGaPT2模型可直接用于文本生成、特征提取或进一步微调。我们还提供了一个笔记本,展示文本生成的不同解码方法,包括贪心搜索、束搜索、温度缩放、top-k和top-p采样。

文本生成

用户可以通过简单的提示词输入生成合理的波兰语文本。例如,输入“最大的波兰诗人是”,模型会生成有关著名波兰诗人亚当·密茨凯维奇的内容。

from transformers import pipeline, set_seed generator = pipeline('text-generation', model='flax-community/papuGaPT2') set_seed(42) generator('Największym polskim poetą był')

防止不当词汇

用户可以设定禁止出现的词汇,以避免生成不当或不希望的内容。

少样本学习和零样本推理

使用少样本学习或零样本推理,模型能够在没有微调的情况下从提示中提取训练信号,展示出一定的推理能力,比如识别波兰历史事件的相关信息。

未来展望

当前阶段,我们不建议在研究范畴之外使用该模型,除非能够明确缓解模型中存在的偏见。

通过papuGaPT2的发布,波兰语NLP研究领域有望被进一步拓展,同时也呼吁在模型使用中注重对偏见的关注和缓解。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多