Create README_nl.md

README_nl.md

@@ -0,0 +1,60 @@
+
+---
+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}
+}
+```