Create README.md

README.md

@@ -0,0 +1,48 @@
+---
+license: apache-2.0
+---
+
+## Mistral gyda ychwanegiad Tocynnydd Cymreig
+
+Mae model Mistral yn cynnwys 32,000 tocynn yn ei eirfa.
+
+Wrth amgodio brawddeg yn y gymraeg, mae'r tocynnau ar wasgar i'w gymharu hefo'r Saesneg:
+
+
+### Tocynnydd Mistral 32k
+```
+This is a tokenizer test
+['▁This', '▁is', '▁a', '▁token', 'izer', '▁test']
+
+Roedd y gath yn eistedd ar y llawr
+['▁Ro', 'ed', 'd', '▁y', '▁g', 'ath', '▁y', 'n', '▁e', 'isted', 'd', '▁ar', '▁y', '▁ll', 'aw', 'r']
+
+```
+
+### Tocynnydd Cymreig 16k
+
+Wrth greu tocynnydd o'r newydd wedi ei hyfforddi ar ddata Cymreig, cawn gynrychiolaeth llawer tynach yn y Gymraeg. Mae'r Saesneg wedi gwaethygu, fodd bynnag.
+
+```
+This is a tokenizer test
+['▁This', '▁is', '▁a', '▁to', 'ke', 'n', 'ize', 'r', '▁', 'test']
+
+Roedd y gath yn eistedd ar y llawr
+['▁Roedd', '▁y', '▁gath', '▁yn', '▁eistedd', '▁ar', '▁y', '▁llawr']
+```
+
+## Tocynnydd Gyfunol
+
+Wrth gyfuno tocynnydd Mistral gyda ein tocynnydd newydd Cymraeg, cawn un sydd yn medru mynegi tocynnau yn y ddwy iaith yn effeithiol:
+
+```
+This is a tokenizer test
+['▁This', '▁is', '▁a', '▁token', 'izer', '▁test']
+
+Roedd y gath yn eistedd ar y llawr
+['▁Roedd', '▁y', '▁gath', '▁yn', '▁', 'eis', 't', 'edd', '▁ar', '▁y', '▁llawr']
+```
+
+Mae set o docynnau yn cael eu rhannu rhwng y ddwy iaith, sydd yn rhoi cyfanswm o 44,955 tocyn yn y fersiwn yma.
+
+Mae'r model Mistral wedi ei ehangu ar ei gyfer - *ond* dylir gofio fod angen hyfforddi'r model gryn dipyn er mwyn gysylltu ystyr y tocynnau newydd hefo'r rhai sydd yn y model yn barod.