/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
15 янв 2025

Ссылки

Hugging Face

LongRAG-Qwen2.5-7B-Instruct

Bui1dMySea
Генерация текстаТекст → текст3 профессии

Дообученная на LRGinstruction модель Qwen2.5-7B-Instruct для диалоговой генерации текста с контекстом до 32 768 токенов.

43скачиваний за 30 дней2лайкавеса обновлены15 янв 2025

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.

Открыть конструктор бенчмарка

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

LongRAG-Qwen2.5-7B-Instruct — плотная языковая модель на 7,1 млрд параметров, дообученная автором Bui1dMySea на наборе LRGinstruction на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалоговой генерации текста; название указывает на сценарии LongRAG, однако карточка не описывает конкретные возможности работы с длинными документами или RAG. Модель использует архитектуру Qwen2ForCausalLM, работает через Transformers и принимает текст. Нативный контекст составляет 32 768 токенов.

В карточке приведён результат оценки: loss 0,6247, но описание методики и набора оценки отсутствует, поэтому по этому значению нельзя судить о качестве в конкретных задачах. Лицензия указана как other, без дополнительных условий в README.

Сценарии применения

  • диалоговые ответы на текстовые запросы
  • генерация текста по инструкциям
  • эксперименты с LongRAG на основе дообученной Qwen2.5

Ограничения

README не раскрывает назначение датасета LRGinstruction, методику оценки или ограничения модели; указанное значение loss 0,6247 само по себе не позволяет оценить качество прикладных ответов. Лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LongRAG_qwen2.5-7b-instruct

This model is a fine-tuned version of Qwen/Qwen2.5-7B-Instruct on the LRGinstruction dataset. It achieves the following results on the evaluation set:

  • Loss: 0.6247

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 12
  • total_train_batch_size: 96
  • total_eval_batch_size: 8
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • num_epochs: 3.0

Training results

Training LossEpochStepValidation Loss
0.62171.0270.5140
0.30822.0540.5628
0.14993.0810.6247

Framework versions

  • Transformers 4.46.1
  • Pytorch 2.5.1+cu124
  • Datasets 3.0.1
  • Tokenizers 0.20.4

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
f05b331

0 моделей

    Создать бенчмарк