/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
68,7 млрд
Размер весов
138 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Опубликована
14 сен 2023

Instruct_Llama70B_Dolly15k

Генерация текстаТекст → текст4 профессии

Дообученная на инструкциях Dolly 15k модель Llama 2 с 70 млрд параметров для генерации английского текста и выполнения запросов.

67скачиваний за 30 дней1лайквеса обновлены15 мая 2024

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

Instruct_Llama70B_Dolly15k — авторегрессионная языковая модель на архитектуре Llama 2, дообученная Brillibits методом QLoRA на датасете Databricks Dolly 15k. Модель предназначена для выполнения инструкций и генерации текста на английском языке, например для написания стихотворений и ответов на запросы с контекстом и без него. Обучение проводилось в течение 1,5 эпох; README сообщает об окне контекста 1024 токена, а метаданные Hugging Face — о native context в 4096 токенов. В репозитории около 68,7 млрд параметров, веса представлены в форматах PyTorch и Safetensors.

Модель подходит для экспериментов с инструктивной генерацией и адаптации языковой модели к пользовательским задачам. README приводит результаты оценки на ARC и HellaSwag. Используется лицензия Llama 2; перед применением следует учитывать её условия. Модель унаследовала ограничения базовой Llama 2 и может выдавать неточные или неподходящие ответы.

Сценарии применения

  • написание текстов по инструкции на английском языке
  • создание стихотворений по заданной теме
  • ответы на запросы с предоставленным контекстом
  • эксперименты с инструктивными языковыми моделями
  • адаптация генерации текста к пользовательским задачам

Ограничения

Модель ориентирована на английский язык и унаследовала ограничения базовой Llama 2; ответы могут быть неточными или неподходящими. README указывает окно контекста 1024 токена, тогда как метаданные каталога сообщают 4096 токенов.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Instruct_Llama70B_Dolly15k

Fine-tuned from Llama-2-70B,used Dolly15k for the dataset. 80% for training, 15% validation, 5% test. Trained for 1.5 epochs using QLora. Trained with 1024 context window.

Model Details

  • Trained by: trained by Brillibits. See YouTube as well.
  • Model type: Instruct_Llama70B_Dolly15k is an auto-regressive language model based on the Llama 2 transformer architecture.
  • Language(s): English
  • License for Instruct_Llama70B_Dolly15ks: llama2 license

Prompting

Prompt Template With Context

Write a 10-line poem about a given topic

Input:

The topic is about racecars

Output:

Prompt Template Without Context

Who was the was the second president of the United States?

Output:

Professional Assistance

This model and other models like it are great, but where LLMs hold the most promise is when they are applied on custom data to automate a wide variety of tasks

If you have a dataset and want to see if you might be able to apply that data to automate some tasks, and you are looking for professional assistance, contact me here

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.60.97
ARC (25-shot)68.34
HellaSwag (10-shot)87.21
MMLU (5-shot)69.52
TruthfulQA (0-shot)46.46
Winogrande (5-shot)84.29
GSM8K (5-shot)42.68
DROP (3-shot)28.26

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
19c2b66

0 моделей