itlrc/gpt2-small

GPT-2 Small (124M) treinado do zero

Modelo causal de linguagem com arquitetura equivalente ao GPT-2 Small, treinado do zero sobre o sample-10BT do FineWeb-Edu. O treinamento usou o tokenizer GPT-2 e processou aproximadamente 5,51 bilhões de tokens.

Resultados

Métrica	Resultado
Parâmetros	124.439.808
Steps	10.500
Épocas lógicas completas	42
Train loss	3,3080
Validation loss	3,2915
Validation perplexity	26,88
HellaSwag	27,68% em 10.042 exemplos

Arquitetura

• 12 blocos Transformer;
• 12 cabeças de atenção;
• embedding de 768 dimensões;
• contexto máximo de 1.024 tokens;
• vocabulário de 50.257 tokens;
• pesos compartilhados entre embedding e cabeça de linguagem;
• 124.439.808 parâmetros em FP32.

Uso com Transformers

Este repositório inclui código de arquitetura personalizado. Por isso, o carregamento requer trust_remote_code=True.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "itlrc/gpt2-small"

tokenizer = AutoTokenizer.from_pretrained("gpt2")
model = AutoModelForCausalLM.from_pretrained(
    repo_id,
    trust_remote_code=True,
    torch_dtype=torch.float32,
)

inputs = tokenizer("Hi! I'm a", return_tensors="pt")
with torch.inference_mode():
    output = model.generate(
        **inputs,
        max_new_tokens=64,
        do_sample=True,
        temperature=0.8,
        top_k=50,
    )

print(tokenizer.decode(output[0], skip_special_tokens=True))

Substitua SEU_USUARIO/meu-gpt2-small pelo identificador deste repositório no Hub.

Treinamento

• Dataset: HuggingFaceFW/fineweb-edu, configuração sample-10BT;
• batch efetivo de 524.288 tokens por step;
• 250 steps por época lógica;
• AdamW com betas (0.9, 0.95) e weight decay 0.1;
• gradient clipping em 1.0;
• warmup e cosine decay;
• validação em um conjunto fixo de documentos reservados.
• aproximadamente 6 bilhões de tokens

Limitações

O modelo é um experimento educacional e não recebeu instruction tuning, RLHF ou outro alinhamento por preferências. Pode produzir informações falsas, repetições, vieses ou conteúdo inadequado.