/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Опубликована
12 дек 2023

docsgpt-7b-mistral

Генерация текстаТекст → текст8 профессий

Дообученная на базе zephyr-7b-beta модель для генерации ответов по контексту документов в RAG-системах.

77скачиваний за 30 дней33лайкавеса обновлены12 дек 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DocsGPT-7b-Mistral — языковая модель Arc53 для ответов на вопросы по документации и другим материалам, найденным системой поиска. Она дообучена методом LoRA на базе zephyr-7b-beta и использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров. Модель принимает текстовый вопрос и контекст документов, а затем генерирует ответ, ориентированный на предоставленные сведения; в README рекомендован шаблон запроса с разделами Instruction, Context и Answer. Контекстное окно составляет 32 768 токенов.

Модель предназначена для RAG-сценариев, особенно для команд разработчиков и технической поддержки. В README приведены внутренний тест BACON и результаты MT-Bench, но они не гарантируют качество на конкретных данных и задачах. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое использование.

Сценарии применения

  • ответы на вопросы по технической документации
  • поиск решений для обращений в техническую поддержку
  • ответы разработчикам по внутренней документации
  • суммирование сведений из найденных документов
  • диалог с пользователем на основе предоставленного контекста

Ограничения

Качество ответов зависит от полноты и точности переданного контекста; модель может ошибаться или галлюцинировать. Приведённые в README результаты тестов являются внутренними или оценочными и не гарантируют качество в конкретном сценарии.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DocsGPT is optimized for Documentation (RAG optimised): Specifically fine-tuned for providing answers that are based on context, making it particularly useful for developers and technical support teams. We used the Lora fine tuning process. This model is fine tuned on top of zephyr-7b-beta

It's an apache-2.0 license so you can use it for commercial purposes too.

Benchmarks:

Bacon: The BACON test is an internal assessment designed to evaluate the capabilities of neural networks in handling questions with substantial content. It focuses on testing the model's understanding of context-driven queries, as well as its tendency for hallucination and attention span. The questions in both parts are carefully crafted, drawing from diverse sources such as scientific papers, complex code problems, and instructional prompts, providing a comprehensive test of the model's ability to process and generate information in various domains.

ModelScore
gpt-48.74
DocsGPT-7b-Mistral8.64
gpt-3.5-turbo8.42
zephyr-7b-beta8.37
neural-chat-7b-v3-17.88
Mistral-7B-Instruct-v0.17.44
openinstruct-mistral-7b5.86
llama-2-13b2.29

image/png

image/png

MTbench with llm judge:

image/png

########## First turn ##########

ModelTurnScore
gpt-418.956250
gpt-3.5-turbo18.075000
DocsGPT-7b-Mistral17.593750
zephyr-7b-beta17.412500
vicuna-13b-v1.316.812500
alpaca-13b14.975000
deepseek-coder-6.7b14.506329

########## Second turn ##########

ModelTurnScore
gpt-429.025000
gpt-3.5-turbo27.812500
DocsGPT-7b-Mistral26.740000
zephyr-7b-beta26.650000
vicuna-13b-v1.325.962500
deepseek-coder-6.7b25.025641
alpaca-13b24.087500

########## Average ##########

ModelScore
gpt-48.990625
gpt-3.5-turbo7.943750
DocsGPT-7b-Mistral7.166875
zephyr-7b-beta7.031250
vicuna-13b-v1.36.387500
deepseek-coder-6.7b4.764331
alpaca-13b4.531250

To prepare your prompts make sure you keep this format:

### Instruction
(where the question goes)
### Context
(your document retrieval + system instructions)
### Answer

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
2163196

0 моделей