---
license: apache-2.0
language:
- nl
library_name: transformers
---
[Pieter Delobelle](https://pieter.ai), [François Remy](https://fremycompany.com), [Miryam de Lhoneux](https://people.cs.kuleuven.be/~miryam.delhoneux/), [Thomas Demeester](https://tdmeeste.github.io)

<p align="center"> 
    <img src="https://huggingface.co/DTAI-KULeuven/tweety-7b-dutch/resolve/main/tweety-7b-dutch.png?download=true" alt="Tweety-7b-dutch: Een Nederlands Groot Taalmodel" width="20%">
 </p>

# Modelkaart voor tweety-7b-dutch

tweety-7b-dutch is een Nederlands taalmodel, waarin een [Nederlandse tokenizer](https://huggingface.co/yhavinga/gpt-neo-1.3B-dutch) is geïntegreerd voor betere representaties en generatie van Nederlandse tekst. Het is gebouwd op de Mistral-architectuur, maakt gebruik van flash attention en met een _context window_ van 8192 tokens. Tweety-7b-dutch is getraind op de [opgeschoonde Nederlandse mC4 dataset](https://huggingface.co/datasets/yhavinga/mc4_nl_cleaned), zonder instructie-finetuning.

## Modeldetails

### Modelbeschrijving

Ons tweety-7b-dutch model heeft een Apache 2.0 licentie, wat toepassingen aanmoedigt in onderzoek, contentcreatie en taalanalyse.

- **Tokenizer:** Nederlands, 50k tokens ([yhavinga/gpt-neo-1.3B-dutch](https://huggingface.co/yhavinga/gpt-neo-1.3B-dutch))
- **Pre-training data:** Verzamelde Nederlandse teksten ([yhavinga/mc4_nl_cleaned](https://huggingface.co/datasets/yhavinga/mc4_nl_cleaned))
- **Contextvenster**: 8196 tokens
- **Trainingsdata**: 8,5 miljard tokens
- **Ontwikkeld door:** KU Leuven en UGent
- **Gefinancierd door:** KU Leuven BOF, VSC (Vlaams Supercomputer Centrum), [Vlaams AI-onderzoeksprogramma](https://www.flandersairesearch.be/nl)
- **Modeltype:** Foundationmodel
- **Licentie:** Apache 2.0

## Toepassingen

Als basismodel is tweety-7b-dutch geschikt voor directe toepassingen in tekstgeneratie en -begrip binnen de Nederlandse taal.

## Technische specificaties

### Computerinfrastructuur
De training maakte gebruik van Nvidia H100 en A100 GPU's. Inferentie is toegankelijk op minder krachtige GPU's, in principe elke GPU die in staat is om mistral-modellen te draaien.

### Modelgewichten

- Dit model werd getraind in bfloat16.
- [GGUF-gewichten](https://huggingface.co/BramVanroy/tweety-7b-dutch-v24a-GGUF) worden uitgebracht door Bram Vanroy.


## Citatie

Als je dit model gebruikt, citeer dan ons werk als volgt:

```
@article{tweeties2024,
    title = {Trans-Tokenization and Cross-lingual Vocabulary Transfers: Language Adaptation of LLMs for Low-Resource NLP},
    author = {François Remy and Pieter Delobelle and Hayastan Avetisyan and Alfiya Khabibullina and Miryam de Lhoneux and Thomas Demeester},
    url = {https://arxiv.org/abs/2408.04303},
    year = {2024},
    note = {Accepted at COLM 2024}
}
```