GoLLeM-110M-PL-v2
Polski model językowy 110M (GPT-2-class), trenowany od zera na AMD Radeon RX 7900 XTX (ROCm/WSL2). Model bazowy (completion) — kontynuuje tekst, nie jest chatbotem (nie odpowiada na pytania; daj mu początek zdania).
Druga iteracja serii GoLLeM. Główna zmiana vs v1: czysty, wielo-źródłowy korpus (dodane wiedza+literatura) → lepsze fakty i forma, zero web-boilerplate.
Trening
- Architektura: 12 warstw / 12 głowic / d=768, kontekst 512, vocab 32000, weight-tied (110M param).
- Dane: ~2.0B tokenów, 1 epoka, czysty multi-source:
- 58% curated (wiedza+literatura): Wikipedia, Wikisource, Wolne Lektury, 1000 Novels, Wikiquote/Wikibooks/Wikinews/Wikivoyage, eltec.
- 42% web (HPLT v3 pol, po czyszczeniu).
- Zero legalese (świadomie wykluczone eur-lex/parlament, by nie zdominowały rejestru).
- Higiena: otwarte licencje (CC-BY-SA dominują — patrz sekcja Licencja; HPLT web = CC0), PII-scrubowane (telefon/email/PESEL/NIP → tagi), web-boilerplate usunięty u źródła (span+line strip; emisja boilerplate ~0).
- Sprzęt: 1× AMD 7900 XTX (24GB), ROCm/WSL2, bf16, grad-accum, ~8.3h.
vs v1 (GoLLeM-110M-PL)
- Lepsze fakty/forma (dodany korpus wiedzy: encyklopedyczny/przepisowy rejestr; v1 był web-only).
- Zero emisji web-boilerplate (v1 emitował śmieci typu "OdpowiedzUsuń").
- val-ppl 34.6 (held-out).
Użycie
1from transformers import AutoModelForCausalLM, AutoTokenizer
2m = AutoModelForCausalLM.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
3t = AutoTokenizer.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
4ids = t("Stolicą Polski jest miasto", return_tensors="pt").input_ids
5print(t.decode(m.generate(ids, max_new_tokens=80, do_sample=True, temperature=0.7, repetition_penalty=1.3)[0]))
Tip: to model bazowy — dawaj POCZĄTEK zdania ("Przepis na rosół:", "Warszawa to"), nie pytania.
Ograniczenia
- 110M = mały → konfabuluje konkretne fakty (nie jest bazą wiedzy). Uczy się głównie płynności i formy polskiego.
- Base/completion, nie chat — nie odpowiada na pytania (do tego potrzebny SFT/instruct-tuning).
- PII scrubowane w treningu → model zwraca tagi zamiast realnych danych; nie jest źródłem PII.
- Tylko polski.
Licencja i atrybucja
Korpus = CC-BY-SA-4.0 (licencja dominująca, share-alike). Skład per-źródło:
- Wikipedia, Wikisource, Wikibooks/Wikiquote/Wikinews/Wikivoyage — CC-BY-SA-3.0 (Wikimedia Foundation)
- Wolne Lektury — CC-BY-SA-4.0 / Wolna Sztuka 1.3
- 1000 Novels, eltec_pol — CC-BY-4.0
- HPLT v3 (web, ~42%) — CC0-1.0
→ Użycie wymaga ATTRIBUTION (Wikimedia Foundation, Wolne Lektury, autorzy 1000 Novels, HPLT / CLARIN-PL) oraz SHARE-ALIKE (derywaty na licencji CC-BY-SA-kompatybilnej).
Model: CC-BY-SA-4.0 (share-alike, spójny z licencją korpusu).
Autor: Arkadiusz Słota.
