language:

• hu tags:
• 文本生成
• puli license: cc-by-nc-4.0 widget:
• text: 我要讲述一个关于语言技术的故事。

PULI 3SX基础版（68.5亿参数）

更多详情，请访问我们的演示网站。

• 匈牙利语GPT-NeoX模型（67亿参数）
• 使用EleutherAI的GPT-NeoX github训练
• 数据集：363亿词
• 检查点：15万步

限制

• 最大序列长度 = 2048

引用

如果您使用此模型，请引用以下论文：

@inproceedings {yang-puli,
    title = {Jönnek a nagyok! BERT-Large, GPT-2 és GPT-3 nyelvmodellek magyar nyelvre},
	booktitle = {XIX. Magyar Számítógépes Nyelvészeti Konferencia (MSZNY 2023)},
	year = {2023},
	publisher = {Szegedi Tudományegyetem, Informatikai Intézet},
	address = {Szeged, Hungary},
	author = {Yang, Zijian Győző and Dodé, Réka and Ferenczi, Gergő and Héja, Enikő and Jelencsik-Mátyus, Kinga and Kőrös, Ádám and Laki, László János and Ligeti-Nagy, Noémi and Vadász, Noémi and Váradi, Tamás},
	pages = {247--262}
}

使用方式

from transformers import GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained("NYTK/PULI-GPT-3SX")
tokenizer = AutoTokenizer.from_pretrained("NYTK/PULI-GPT-3SX")
prompt = "我要讲述一个关于语言技术的故事。"
input_ids = tokenizer(prompt, return_tensors="pt").input_ids

gen_tokens = model.generate(
    input_ids,
    do_sample=True,
    temperature=0.9,
    max_length=100,
)

gen_text = tokenizer.batch_decode(gen_tokens)[0]
print(gen_text)

使用pipeline

from transformers import pipeline, GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained("NYTK/PULI-GPT-3SX")
tokenizer = AutoTokenizer.from_pretrained("NYTK/PULI-GPT-3SX")
prompt = "我要讲述一个关于语言技术的故事。"
generator = pipeline(task="文本生成", model=model, tokenizer=tokenizer)

print(generator(prompt)[0]["generated_text"])