Tokenizer:
В качестве токенайзера используется ByteLevel BPE, с vocab_size = 1024.
Структура модели: Модель поддерживает несколько размеров: "nano", "mini", "small", количество параметров соответственно: 0.53M, 11.43M, 86.62M.

Модель состоит из следующих блоков:
- dropout
- RMS Norm
- GQA + ALiBi
- SwiGLU
- Linear_head + softmax
Подробнее можно увидеть на следующей схеме:
image/jpeg
Обучение и параметры:
Во время обучения были использованы следующие параметры:
1. optimizer = AdamW(learning_rate=3e-4, weight_decay=0.01)
2. scheduler - Linear schedule with warmup
3. loss = cross_entropy
4. Num_steps = 10_000, validation_step - every 1000 steps.

Данные

Модель обучалась на следующем датасете:

Russian_jokes:
Ссылка: https://huggingface.co/datasets/IgorVolochay/russian_jokes Пример строки: "- Зять, а ты знаешь, где найти того мужчину, который спас меня, когда я тонула?- Да, он уже приходил ко мне извиняться!"

Во время обучения выборка была поделена на train и test соответственно: 135497 строк и 15056 строк.

Оценка качества (Quality Report)

Для оценки качества была использована метрика perplexity: (Лучшее минимальное значение)

Пример prefix: "Заходит в бар"

nano: "Заходит в бардей."

mini: "Заходит в барье:- Сидумагрираступать снуть, что ты, в мату."

small: "Заходит в бара, сынок, что он у меня волованы, а ты, дочьмиеменсу и пограют на немы и говорит другом, и док, что он исы, что вечаются."