GoLLeM-110M-PL-v2

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).

Przepis treningu

Wszystko poniżej pochodzi ze skryptu treningu i logu biegu tego modelu; wartości, których log nie zapisał, są oznaczone jako niezapisane.

Skrypt: train_125m.py w tym repozytorium (kopia pliku o sha256 a7fc85ad5352a2e7… z lokalnymi ścieżkami domyślnymi zamienionymi na ./… i wczytywaniem checkpointów przy wznowieniu przez torch.load(..., weights_only=True); bez innych zmian). Jeden proces na jednej karcie AMD Radeon RX 7900 XTX (24 GB), ROCm na WSL2.

Ten model (v2):

• Dane: SlayerLab/gollem-corpus-2b-pl; trener zapisał 1 990 106 427 tokenów; 1 epoka; trening od zera.
• 60 733 kroki (rozgrzewka 607); wydany checkpoint = krok 60 733; ~8,3 h.
• Gradient accumulation był użyty (według tej karty); jego wartość nie jest zapisana. Dokładna komenda: niezapisana.

Użycie

from transformers import AutoModelForCausalLM, AutoTokenizer
m = AutoModelForCausalLM.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
t = AutoTokenizer.from_pretrained("Maggio33/GoLLeM-110M-PL-v2")
ids = t("Stolicą Polski jest miasto", return_tensors="pt").input_ids
print(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.