🌐 भाषा

टाइमकैप्सूल एलएलएम

Name: TimeCapsuleLLM
Rating: 5 (1951 reviews)
Author: haykgrigo3

एक भाषा मॉडल जिसे विशेष रूप से कुछ स्थानों और समय अवधियों के डेटा पर शुरुआत से प्रशिक्षित किया गया है, ताकि आधुनिक पक्षपात को कम किया जा सके और उस युग की भाषा, शब्दावली और विश्वदृष्टि का अनुकरण किया जा सके।

कल्पना कीजिए अगर एक एआई मॉडल केवल ऐतिहासिक होने का नाटक नहीं करता, बल्कि वास्तव में वैसा ही होता।

v0 और v0.5 Andrej Karpathy द्वारा nanoGPT पर बनाए गए हैं। मुख्य प्रशिक्षण स्क्रिप्ट्स और मॉडल संरचना उन्हीं का कार्य है।

v1 Microsoft द्वारा Phi 1.5 पर बनाया गया है

v2 llamaforcausallm पर बनाया गया है

Hugging Face लिंक

शोध स्थिति

यह परियोजना स्वतंत्र रूप से शुरू और विकसित की गई थी।

वर्तमान में यह शैक्षणिक पर्यवेक्षण के तहत चल रही है, जिसमें Muhlenberg College एवं Georgia State University के साथ संबद्ध अनुसंधान सहयोग है।

उद्धरण

यदि आप इस डेटासेट या मॉडल का शैक्षणिक कार्य में उपयोग करते हैं, तो कृपया उद्धृत करें:

@misc{london_llm_1800,
  author = {Grigorian, Hayk and Yaghoobian, Hamed},
  title = {Historic London English (1800–1875)},
  year = {2025},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/postgrammar/london-llm-1800}}
}

विंटेज LLM डिस्कॉर्ड से जुड़ें

यदि आप ऐतिहासिक भाषा मॉडलों, समय-विशिष्ट डेटासेट्स, या TimeCapsuleLLM, Violet-1.4B, Mr. Chatterbox जैसे परियोजनाओं के भविष्य में रुचि रखते हैं, तो समुदाय से जुड़ें।

हम इस सर्वर का उपयोग विचारों पर चर्चा करने, प्रगति साझा करने और इस क्षेत्र में काम कर रहे अन्य लोगों से जुड़ने के लिए करते हैं।

डिस्कॉर्ड से जुड़ें

प्रायोजक

इस प्रोजेक्ट को समर्थन देने के लिए DolOffer का धन्यवाद!

DolOffer एक ऐसा प्लेटफ़ॉर्म है जो डिजिटल उत्पाद अनुशंसाओं और छूट साझा करने पर केंद्रित है, जिससे उपयोगकर्ता तेज़ी से उपयोगी टूल्स, सेवाएं और सीमित समय के सौदे खोज सकते हैं। यह प्लेटफ़ॉर्म YouTube Premium, Claude, ChatGPT Plus, Spotify, और Apple Music सहित कई लोकप्रिय सब्सक्रिप्शन सेवाएं प्रदान करता है, जिनकी कीमतें आधिकारिक कीमत की 30% या उससे भी कम हो सकती हैं।

इस विशेष लिंक doloffer के माध्यम से अभी रजिस्टर करें, और टॉप-अप करते समय प्रोमो कोड AI8888 दर्ज करें ताकि आपको अतिरिक्त 10% छूट मिल सके।

मॉडल व्यवहार एवं सीमाएँ

v0

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

TimeCapsuleLLM नमूना आउटपुट

आधुनिक अवधारणाओं का कोई उल्लेख नहीं
मुख्यतः उस युग की सटीक शब्दावली
वाक्य आमतौर पर असंगत रहते हैं (~187MB प्रशिक्षण डेटा के लिए अपेक्षित)

v0.5-london

v0 की तुलना में उल्लेखनीय सुधार।

विक्टोरियन लेखन शैली, उचित विराम चिह्न, मुख्यतः व्याकरणिक वाक्य

तथ्यात्मक कल्पना दर अभी भी अधिक है
OCR शोर (“Digitized by Google”) अभी भी आउटपुट में मौजूद है

v1-london

पहला मॉडल जो किसी वास्तविक ऐतिहासिक घटना को डेटासेट में मौजूद किसी वास्तविक व्यक्ति से जोड़ कर याद करता है।

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 शायद उसी वर्ष कोई विरोध संयोग से हुआ होगा लेकिन इसे देखें: 1834protest

v2mini-eval1-london

v2 के 90GB डेटासेट से 15GB के सैंपल का उपयोग कर प्रशिक्षण किया गया। मॉडल को केवल 10K स्टेप्स तक प्रशिक्षित किया गया।

टोकनाइज़ेशन में एक समस्या थी जिससे आउटपुट ऐसा दिखता था:

प्रॉम्प्ट: Who is Charles Dickens?

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 सुधारित:

"चार्ल्स डिकेंस कौन हैं? क्या वह अपने उत्कृष्ट भावुक कार्यों में, अपने नाटकों में, या ग्रेट कंपनी के फार्म में अधिक काम करते हैं? मुझे अभी जैक पिकेट से क्या उद्धृत करना है? क्या आप नहीं जानते कि वे दौड़ते हुए, या अपनी छाती को आरा करते हुए, या उस समय के बारे में क्या किया जाना था जब जैक्सन खिड़की पर देख रहा था, की एक प्रजाति थे? एक अंग्रेज की सफलता क्या है, और जिसे उसका पुत्र मेरे लिए खोज नहीं पाया है, जिससे ऐसा भार पूरा किया जा सके? क्या आपने कभी पुराने रास्ते में एक मार्ग बनाया है, या हमारी नाव के पांव में एक एंकर-ब्रीज़ पर, जिसे आपको छोड़ना होगा? तथ्य यह है कि चाहे शनिवार रात या दोपहर में, या उत्तर की ओर, या अन्यथा, मैदान से हवा उठेगी या नहीं, हमें वर्तमान की तरह ही प्रभाव के साथ एक विशाल बाधा का वर्णन करने के लिए मजबूर होना पड़ेगा। इस स्थिति में, कम से कम यह कहना ज्यादा नहीं है कि हमने वह कमरा छोड़ दिया है। मुझे विश्वास है कि 'फाइव हंड्रेड-फोल्ड' में तीन प्रतियां हैं, जिनका उल्लेख किया जाना है, हमारे पाठकों के पहले नंबर के रूप में, जो चाहत[o]..."

v2mini-eval2-london

उसी 15GB सैंपल का उपयोग करके प्रशिक्षित किया गया जिसे eval1 के प्रशिक्षण में इस्तेमाल किया गया था। मॉडल को फिर से केवल 10K चरणों तक प्रशिक्षित किया गया।

प्रॉम्प्ट: चार्ल्स डार्विन

चार्ल्स डार्विनECCEMACY। महोदय, — निम्नलिखित मामला मेरे लिए रोचक है : — मैं दो सप्ताह लंदन में था, और मुझे गठिया का दौरा बहुत प्रभावित कर गया। गठिया का पहला दौरा एक सप्ताह पहले हुआ जब मैंने आपको देखा, दूसरा जब मैंने आपको देखा, और तीसरा जब मैंने आपको देखा, और तीसरा उसी समय में। हालांकि, गाउट का दूसरा दौरा किसी भी ज्वर के लक्षणों के साथ नहीं था, लेकिन मूत्र की अधिक प्रवाह और अधिक मात्रा में मूत्र के साथ था। तीसरा दौरा एक घंटे बाद था जब मैंने आपको देखा, और इसके बाद गाउट के दौरे की वापसी और गाउट की अधिक तेज वापसी हुई। चौथा दौरा भी बुखार के साथ था, लेकिन हमेशा किसी भी ज्वर के लक्षणों के साथ नहीं था। गाउट का तीसरा दौरा दो सप्ताह बाद हुआ जब आप बीमार थे, और चौथा दौरा गाउट के दौरे के साथ था। चौथा दौरा दो सप्ताह बाद था जब आप पर हमला हुआ, और एक भावना के साथ था

v2-london

90GB (112GB टोकनाइज्ड) डेटासेट का उपयोग करके प्रशिक्षित 182K चरणों तक प्रशिक्षित

TimeCapsuleLLM Sample Output

आगे क्या?

TimeCapsuleLLM v3 पर विकास शुरू हो चुका है
डेटासेट आकार और भौगोलिक कवरेज को बढ़ाना
लंदन से आगे अन्य शहरों तक विस्तार

कार्य मुहलेनबर्ग कॉलेज एवं जॉर्जिया स्टेट यूनिवर्सिटी के शोधकर्ताओं के सहयोग से किया जा रहा है।

डेटासेट्स

v2

90GB (कच्चा) 1800-1875 लंदन ग्रंथों का
136,344 दस्तावेज
पूर्ण टोकनाइज्ड डेटासेट अब यहाँ उपलब्ध है: https://huggingface.co/datasets/postgrammar/london-llm-1800

पक्षपात आँकड़े

भौगोलिक पक्षपात

कालिक पक्षपात

अधिक जानकारी के लिए v2 पक्षपात रिपोर्ट देखें।

उपयोग कैसे करें

यह परियोजना मुख्य रूप से ऐतिहासिक डेटा को संकलित करने, प्रशिक्षण के लिए तैयार करने और टोकनाइज़र बनाने पर केंद्रित है। मैं पूर्ण LLM प्रशिक्षण प्रक्रिया को कवर नहीं कर रहा हूँ, इसके लिए Andrej Karpathy का nanoGPT देखें।

चरण 1: ऐतिहासिक ग्रंथों को इकट्ठा और तैयार करें

अपनी चुनी हुई समय अवधि (जैसे, लंदन 1800-1875) से सार्वजनिक डोमेन पुस्तकों, दस्तावेज़ों आदि की .txt फाइलें इकट्ठा करें
इन्हें अपनी चुनी हुई समय/स्थान सीमा के भीतर रखें
एक स्क्रिप्ट का उपयोग कर या मैन्युअली Project Gutenberg के हेडर/फुटर, आधुनिक टिप्पणियाँ या OCR त्रुटियों जैसी चीजों को हटाकर टेक्स्ट फाइलों को साफ करें।

चरण 2: कस्टम टोकनाइज़र बनाएं

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

चरण 3: अपना मॉडल प्रशिक्षित करें

प्रशिक्षण प्रक्रिया के लिए Andrej Karpathy का nanoGPT या अपनी चुनी हुई आर्किटेक्चर के दस्तावेज़ देखें।

अक्सर पूछे जाने वाले प्रश्न

चयनात्मक कालिक प्रशिक्षण क्या है?

चयनात्मक कालिक प्रशिक्षण (STT) एक मशीन लर्निंग पद्धति है जिसमें सभी प्रशिक्षण डेटा को विशेष रूप से एक ऐतिहासिक समय अवधि के भीतर रखा जाता है। इसे उस युग की भाषा और ज्ञान को आधुनिक अवधारणाओं के प्रभाव के बिना मॉडल करने के लिए किया जाता है। उदाहरण के लिए, वर्तमान मॉडल (v0.5) केवल 1800-1875 के डेटा पर प्रशिक्षित है, इसे फाइन ट्यून नहीं किया गया बल्कि शुरू से प्रशिक्षित किया गया जिससे आउटपुट उस समय की भाषिक शैली और ऐतिहासिक संदर्भ को दर्शाता है।

बस फाइन-ट्यूनिंग या LoRA का उपयोग क्यों नहीं करते?

इस परियोजना के लिए मैं एक ऐसा भाषा मॉडल बनाने की कोशिश कर रहा हूँ जो आधुनिक पक्षपात से मुक्त हो। अगर मैं GPT-2 जैसा कुछ फाइन-ट्यून करता हूँ, तो वह पहले से ही प्री-ट्रेंड होता है और वह जानकारी हटाई नहीं जा सकती। अगर मैं मॉडल को शुरू से ट्रेन करता हूँ तो वह पुराना होने का नाटक नहीं करेगा, बल्कि वास्तव में पुराना होगा। इस परियोजना का लक्ष्य फिलहाल ऐसा कुछ बनाना है जो केवल 1800 से 1875 के बीच लंदन में प्रकाशित पुस्तकों के ज्ञान का उपयोग करके तर्क कर सके।

आपने प्रशिक्षण के लिए किस प्रकार का डेटा उपयोग किया?

मैं 1800–1875 लंदन की किताबें, कानूनी दस्तावेज़, समाचार-पत्र और अन्य लेखन का उपयोग कर रहा हूँ। जो सूची मैंने लिंक की है (v0 के लिए) उसमें लगभग 200 हैं लेकिन पहले प्रशिक्षण के लिए मैंने केवल 50 फाइलें लगभग ~187 MB उपयोग की हैं। आप दस्तावेजों 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 (v2 के 90GB का सैंपल)
v2: 90GB

मॉडल कितने बड़े हैं?

v0: 16M पैरामीटर्स

v0.5: 123M पैरामीटर्स

v1: 700M पैरामीटर्स

v2mini-eval1: 300M पैरामीटर्स

v2mini-eval2: 200M पैरामीटर्स

v2: 1.2B पैरामीटर्स

प्रशिक्षण विनिर्देश?

v0/v0.5

GPU: Geforce rtx 4060 CPU: i5-13400F रैम: 16GB DDR5.

v1

GPU: A100 SXM किराए पर लिया गया

v2mini-eval1/eval2