टाइमकैप्सूल LLM

एक भाषा मॉडल जो पूरी तरह से कुछ स्थानों और समय अवधियों के डेटा पर शुरुआत से प्रशिक्षित है ताकि आधुनिक पूर्वाग्रह को कम किया जा सके और उस युग की आवाज़, शब्दावली और विश्वदृष्टि को प्रस्तुत किया जा सके।

कल्पना कीजिए कि अगर एक एआई मॉडल केवल ऐतिहासिक दिखावा नहीं करता बल्कि वास्तव में ऐतिहासिक होता।

v0 और v0.5 Andrej Karpathy के nanoGPT पर आधारित हैं। मुख्य प्रशिक्षण स्क्रिप्ट्स और मॉडल आर्किटेक्चर उनका कार्य है।

v1 Microsoft के Phi 1.5 पर आधारित बनाया गया

v2 llamaforcausallm पर आधारित बनाया गया

Hugging Face लिंक

मॉडल व्यवहार और सीमाएँ

v0

प्रारंभिक प्रॉम्प्ट्स में मॉडल 1800 के दशक की भाषा और व्यवहार में प्रतिक्रिया देता है। उदाहरण: प्रॉम्प्ट: "Who art Henry?" और जवाब आया "I know that man, I have did not a black, the storm."

• आधुनिक अवधारणाओं का कोई उल्लेख नहीं
• अधिकांशतः युग-संगत शब्दावली
• वाक्य मुख्यतः असंगत (लगभग ~187MB ट्रेनिंग डेटा के लिए अपेक्षित)

v0.5

v0 पर महत्वपूर्ण सुधार।

• विक्टोरियन लेखन शैली, उचित विराम चिन्ह, मुख्यतः व्याकरणिक वाक्य
• तथ्यात्मक भ्रम की दर अभी भी अधिक
• ओसीआर शोर (“Digitized by Google”) अब भी आउटपुट में है

v1

पहला मॉडल जिसने एक वास्तविक ऐतिहासिक घटना को डेटासेट के किसी वास्तविक व्यक्ति से जोड़ कर याद किया।

उदाहरण: प्रॉम्प्ट: "It was the year of our Lord 1834"

आउटपुट: "It was the year of our Lord 1834 and the streets of London were filled with protest and petition. The cause, as many re counted, was not bound in the way of private, but having taken up the same day in the day of Lord Palmerston, the public will receive a short statement of the difficulties under which the day of law has reached us. It is a matter of deep regret, that the present events in the history of the world are clear, and consequently will be'known. It is not true that the very men who first settled in the Gospel at Jerusalem should have so extensive and so interesting a record of the prosperity and prosperity"

शुरुआत में मुझे लगा कि कोई विरोध शायद संयोगवश उसी वर्ष हुआ हो, लेकिन इसे देखिए:

v2mini-eval1

v2 के 90GB डेटा सेट से 15GB सैंपल का उपयोग करके प्रशिक्षित किया गया। मॉडल को केवल 10K स्टेप्स तक प्रशिक्षित किया गया।

टोकनाइजेशन में एक समस्या थी जिससे आउटपुट कुछ ऐसा दिखता है:

प्रॉम्प्ट: चार्ल्स डिकेन्स कौन हैं?

W ho is Charles D ic ens ? D oes that work more of h ise x cell ent st ir ring , in his pl ays , int he G reat C omp any 's f arm ? What I have y et to qu ote from J ack P ick ett ? D oy oun ot know th att hey were as pe cies of g all oping , ors aw ing oft heir bre asts , or what w ast ob ed one about the t im ew hen J acks on was looking ont hew ind ow ? What ist hes uccess of an English man , and which h isson has not be end is cover ing t ome , where by to acc omp lish such a we ight ? D idy ou ever m ake ap ass age int othe old road way , ort o an anch or - b ree ze att he foot of our boat , which you m ust le ave us ? The fact is , that whe ther the wind would rise up from the pl ain on S atur day night orn o ont ide , ort ill then orth , or other wise , wes hall be com pelled t od esc ribe af orm idable bar rier , with t hes ame e ffect s ast he p resent . In th iss itu ation , at le ast , itis not to omuch t os ay that we have le ft that room . I bel ieve there are three c op ies int he " F ive H undred - fold ," to bere fer red to , ast he first n umber of our read ers wh ow is ht संशोधित:

"चार्ल्स डिकेंस कौन हैं? क्या वह अपने उत्कृष्ट प्रेरक कार्यों को अपनी नाटकों में, ग्रेट कंपनी के खेत में अधिक करते हैं? मुझे जैक पिकेट से अभी क्या उद्धृत करना है? क्या आप नहीं जानते कि वे घोड़ों की दौड़, या अपनी छाती को आरी से काटने जैसी प्रजाति थे, या जैक्सन जब खिड़की पर देख रहा था उस समय क्या करना था? एक अंग्रेज़ की सफलता क्या है, और जिसे उसका बेटा मुझे अभी तक नहीं बता सका है, जिससे इतना भार पूरा किया जा सके? क्या आपने कभी पुराने रास्ते में प्रवेश किया है, या हमारे नाव के तल पर एंकर-ब्रीज़ तक, जिसे आपको हमें छोड़ना पड़ेगा? तथ्य यह है कि चाहे शनिवार रात या दोपहर में, या उत्तर की ओर, या अन्यथा, मैदान से हवा उठेगी या नहीं, हमें वर्तमान जैसी ही प्रभावों के साथ एक दुर्जेय बाधा का वर्णन करने के लिए मजबूर होना पड़ेगा। कम से कम इस स्थिति में, यह कहना ज्यादा नहीं है कि हमने वह कमरा छोड़ दिया है। मेरा विश्वास है कि 'फाइव हंड्रेड-फोल्ड' में तीन प्रतियां हैं, जिनका संदर्भ लिया जा सकता है, हमारे पाठकों की पहली संख्या के रूप में जो चाहत[े]...”

v2mini-eval2

उसी 15GB नमूने का उपयोग करके प्रशिक्षित किया गया जिसका उपयोग eval1 के प्रशिक्षण के लिए किया गया था। मॉडल को फिर से केवल 10K स्टेप्स तक प्रशिक्षित किया गया है।

प्रॉम्प्ट: चार्ल्स डार्विन

चार्ल्स डार्विनECCEMACY. महोदय, — निम्नलिखित मामला मेरे लिए रोचक है : — मैं लंदन में पंद्रह दिन रहा, और मुझे गठिया का दौरा बहुत प्रभावित हुआ। गठिया का पहला दौरा आपके मिलने से एक सप्ताह पहले हुआ, दूसरा जब मैंने आपको देखा, और तीसरा जब मैंने आपको देखा, और तीसरा उसी समय में। हालांकि, गठिया के दूसरे दौरे के साथ कोई ज्वरयुक्त लक्षण नहीं थे, लेकिन पेशाब के प्रवाह में वृद्धि और पेशाब के अधिक मात्रा में निष्कासन के साथ था। तीसरा दौरा आपके देखने के एक घंटे बाद था, और इसके बाद गठिया का पुनः दौरा हुआ, और गठिया की तेज वापसी हुई। चौथा दौरा भी बुखार के साथ था, लेकिन हमेशा कोई ज्वरयुक्त लक्षण नहीं थे। गठिया का तीसरा दौरा आपके बीमार होने के पंद्रह दिन बाद था, और चौथा दौरा गठिया के पुनः दौरे के बाद था। चौथा दौरा आपके हमले के पंद्रह दिन बाद था, और इसके साथ एक अनुभूति थी

डेटासेट्स

v2

• 1800-1875 लंदन ग्रंथों के 90GB
• 136,344 दस्तावेज़
• पूरा 90GB अभी उपलब्ध नहीं है क्योंकि इसे टोकनाइज़ नहीं किया गया है, लेकिन आप यहाँ 15GB का नमूना पा सकते हैं: https://huggingface.co/datasets/haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2-15GB

अधिक जानकारी के लिए v2 पूर्वाग्रह रिपोर्ट देखें।

उपयोग कैसे करें

यह परियोजना मुख्य रूप से ऐतिहासिक डेटा को संकलित करने, प्रशिक्षण के लिए तैयार करने और एक टोकनाइज़र बनाने पर केंद्रित है। मैं पूर्ण LLM प्रशिक्षण प्रक्रिया को शामिल नहीं करूंगा, इसके लिए Andrej Karpathy द्वारा nanoGPT देखें।

चरण 1: ऐतिहासिक ग्रंथों को एकत्रित और तैयार करें

• अपनी चुनी गई समयावधि (जैसे, लंदन 1800-1850) के सार्वजनिक डोमेन पुस्तकों, दस्तावेज़ों आदि की .txt फाइलें एकत्रित करें
• उन्हें अपने चुने हुए समय/स्थान विंडो के भीतर रखें
• टेक्स्ट फाइलों को एक स्क्रिप्ट या मैन्युअली क्लीन करें, प्रोजेक्ट गुटेनबर्ग से हेडर/फुटर हटाएं, आधुनिक एनोटेशन या OCR त्रुटियाँ हटाएं।

चरण 2: एक कस्टम टोकनाइज़र बनाएं

• train_tokenizer.py या train_tokenizer_hf.py को साफ किए गए डेटा पर चलाएं।
• इससे आपको vocab.json और merges.txt मिलेंगे
• ये फाइलें आपके मॉडल के लिए शब्दावली और मर्ज नियम परिभाषित करती हैं

चरण 3: अपने मॉडल को प्रशिक्षित करें

• प्रशिक्षण प्रक्रिया के लिए Andrej Karpathy का nanoGPT या अपनी चुनी हुई आर्किटेक्चर की डॉक्स देखें।

FAQ

चयनात्मक कालिक प्रशिक्षण क्या है ?

चयनात्मक कालिक प्रशिक्षण (Selective Temporal Training - STT) एक मशीन लर्निंग पद्धति है जिसमें सभी प्रशिक्षण डेटा विशेष रूप से एक ऐतिहासिक समय अवधि के भीतर तैयार किए जाते हैं। यह इसलिए किया जाता है ताकि उस युग की भाषा और ज्ञान को आधुनिक अवधारणाओं के प्रभाव के बिना मॉडल किया जा सके। उदाहरण के लिए, वर्तमान मॉडल (v0.5) को विशेष रूप से 1800-1875 के डेटा पर प्रशिक्षित किया गया है, यह फाइन ट्यून नहीं किया गया बल्कि शुरू से प्रशिक्षित हुआ है जिससे आउटपुट उस समय की भाषाई शैली और ऐतिहासिक संदर्भ को दर्शाता है।

सिर्फ फाइन-ट्यूनिंग या LoRA क्यों नहीं?

इस प्रोजेक्ट के लिए मैं ऐसा भाषा मॉडल बनाना चाहता हूँ जिसमें आधुनिक पक्षपात न हो। अगर मैं GPT-2 जैसे किसी चीज़ को फाइन-ट्यून करता हूँ, तो वह पहले से ही प्री-ट्रेंड है और वह जानकारी हट नहीं सकती। अगर मैं शुरुआत से प्रशिक्षण करता हूँ तो भाषा मॉडल पुराना दिखावा नहीं करेगा, बल्कि वाकई पुराना ही होगा। इस प्रोजेक्ट का लक्ष्य है ऐसा मॉडल बनाना जो केवल 1800 से 1875 के बीच लंदन की पुस्तकों के ज्ञान का ही उपयोग कर सके।

आपने प्रशिक्षण के लिए किस प्रकार का डेटा इस्तेमाल किया?

मैंने 1800–1875 के लंदन की किताबें, कानूनी दस्तावेज़, अखबार और अन्य लेखन का उपयोग किया है। जो सूची मैंने लिंक की है (v0 के लिए) उसमें लगभग 200 दस्तावेज़ हैं लेकिन पहली ट्रेनिंग के लिए मैंने सिर्फ 50 फाइलें लगभग ~187 MB इस्तेमाल की। आप दस्तावेज़ों की सूची देख सकते हैं: https://github.com/haykgrigo3/TimeCapsuleLLM/blob/main/Copy%20of%20London%20Documents%20for%20Time%20Capsule%20LLM.txt

डेटासेट आकार:

• v0: ~187MB
• v0.5: ~435MB
• v1: ~6.25GB
• v2mini-eval1: 15GB

मॉडल कितने बड़े हैं?

v0: 16M पैरामीटर

v0.5 123M पैरामीटर

v1: 700M Parameters

v2mini-eval1: 300M Parameters

Training Specs ?

v0/v0.5

v1

v2mini-eval1

GPU: A100 SXM rented

--- Tranlated By Open Ai Tx | Last indexed: 2026-01-13 ---