GoLLeM-110M-PL-v3

GoLLeM-110M-PL-v3

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).

Trzecia iteracja serii GoLLeM. Główna zmiana vs v2: druga epoka na tym samym czystym korpusie ~2,0 mld (podwojona ekspozycja, ~18 → ~36 tokenów/parametr) — korekta niedotrenowania v2.

Model completion. Dobrze: "Stolica Polski to" · Źle: "Jaka jest stolica Polski?"

Co nowego vs v2

• Korekta niedotrenowania. v2 widział korpus 1 raz (~18 tok/param). v3 to kontynuacja pretreningu przez 2. epokę (łącznie ~4 mld tokenów widzianych z tego samego 2,0 mld korpusu).
• Zmierzony efekt: wzrost na 7/9 zadań benchmarku (patrz Ewaluacja); największy na sentymencie, streszczeniach i NER.
• Uczciwie: to podwojona ekspozycja na te same dane, nie nowe dane.

Trening

Ewaluacja

Protokół: OpenPL (polish4, 0-shot) + własna reprodukcja domain-PMI OrisTeam (metoda KateMajzel: ll(label|pełny) − ll(label|pusty-szablon)). Nasza reprodukcja odtwarza tablicę OrisTeam Polish-SLM-Benchmark na 7/9 zadaniach w granicach ~1-2 pp (belebele idealnie, tags8/cbd/dyk/klej_ner/polemo_in blisko). Ten sam scorer dla v2 i v3 → delta jest wiarygodna.

* polemo_out i ppc: nasza reprodukcja domain-PMI odbiega od tablicy OrisTeam (polemo_out schodzi poniżej losowego — znany quirk scoringu, wg KateMajzel sygnał błędu bazy PMI); delty na tych zadaniach traktować ostrożnie.

Wniosek: v3 przewyższa v2 pod spójnym scoringiem (Sygnał-6 +2,55, kompozyt +2,99), rośnie na 7/9. Regresja: CBD (mowa nienawiści) −2,0. Pozycja na oficjalnej tablicy OrisTeam — do potwierdzenia przez zgłoszenie modelu do nich (autorytatywny scoring po ich stronie).

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 (v3):

• Kontynuacja v2: model i stan AdamW wczytane z checkpointu v2 (krok 60 733), druga epoka na tym samym korpusie (SlayerLab/gollem-corpus-2b-pl); łącznie ~4,0 mld widzianych tokenów.
• Harmonogram przeliczono na 2 epoki (121 466 kroków, rozgrzewka 1 214). Ponieważ trening wznowiono od kroku 60 733, rozgrzewka się nie powtórzyła: learning rate skoczył z 3e-5 (koniec v2) do 1,67e-4 i dalej szedł cosine do 3e-5.
• Gradient accumulation 4 (16 sekwencji w mikro-batchu), według tej karty i jej komendy; log biegu go nie zapisuje. Wydany checkpoint = krok 121 466; ~9,2 h.
• Komenda (z sekcji Reprodukcja; ścieżki jako placeholdery):

python train_125m.py --run-id gollem_v3_e2b --data <gollem_v2_train_32k.bin> \
  --epochs 2 --batch 64 --accum-steps 4 --lr 3e-4
# z checkpointem v2 (krok 60 733) w katalogu checkpointów biegu

Użycie

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
m = AutoModelForCausalLM.from_pretrained("Maggio33/GoLLeM-110M-PL-v3").eval()
t = AutoTokenizer.from_pretrained("Maggio33/GoLLeM-110M-PL-v3")
ids = t("Stolica Polski to", return_tensors="pt").input_ids
ids = torch.cat([torch.tensor([[0]]), ids], 1)   # BOS = <|endoftext|>=0
out = m.generate(ids, max_new_tokens=80, do_sample=True, temperature=0.7,
                 top_k=40, repetition_penalty=1.3, pad_token_id=0)
print(t.decode(out[0].tolist()[1:], skip_special_tokens=True))

Ograniczenia

• 110M = mały → konfabuluje konkretne fakty; uczy się głównie płynności i formy polskiego.
• Base/completion, nie chat — do rozmowy potrzebny SFT/instruct-tuning.
• Kontekst 512 tokenów. Brak filtrów bezpieczeństwa na wyjściu.
• PII scrubowane w treningu (telefon/e-mail/PESEL/NIP → tagi); generowane imiona/adresy to konfabulacje.
• CBD (mowa nienawiści) regresja vs v2 — do zastosowań wrażliwych na detekcję hate rozważ v2.

Licencja i atrybucja

Korpus = CC-BY-SA-4.0 (dominująca, share-alike): Wikipedia/Wikisource/Wiki* — 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) — CC0-1.0. Użycie wymaga ATTRIBUTION (Wikimedia Foundation, Wolne Lektury, autorzy 1000 Novels, HPLT/CLARIN-PL) oraz SHARE-ALIKE. Model: CC-BY-SA-4.0.

Podziękowania

Benchmark i protokół ewaluacyjny: OrisTeam (Polish-SLM-Benchmark); metoda kalibracji domain-PMI: KateMajzel (gollem-pl).

Reprodukcja

Trening: train_125m.py --run-id gollem_v3_e2b --data gollem_v2_train_32k.bin --epochs 2 --batch 64 --accum-steps 4 --lr 3e-4 (resume z ckpt v2). Dane treningowe jawnie: SlayerLab/gollem-corpus-2b-pl (dokładny korpus v2/v3). Ewaluacja: board_eval.py (domain-PMI). Skrypt treningu: train_125m.py w tym repozytorium.

Autor: Arkadiusz Słota.