/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
7,5 млрд
Размер весов
16 ГБ
Лицензия
Своя лицензия
Архитектура
mistral · dense
Базовая модель
Ministral-8B-Instruct-2410
Библиотека
transformers
Опубликована
15 янв 2025

Ссылки

Hugging Face

LongRAG_Ministral-8B-Instruct

Bui1dMySea
Генерация текстаТекст → текст5 профессий

Дообученная на LRGinstruction модель Mistral с 7,5 млрд параметров для диалоговой генерации текста с контекстом до 32 768 токенов.

26скачиваний за 30 дней0лайковвеса 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_Ministral-8B-Instruct — языковая модель для генерации текста и диалогов, созданная дообучением Bui1dMySea на базе mistralai/Ministral-8B-Instruct-2410 на датасете LRGinstruction. Модель имеет плотную архитектуру MistralForCausalLM и 7,5 млрд параметров; доступна в формате Safetensors и рассчитана на контекст до 32 768 токенов.

Модель предназначена для текстовых диалогов и генерации ответов в сценариях, где требуется работать с длинным контекстом. В README приведён результат оценки на тестовой выборке: loss 0,0567; дополнительных сведений о методике оценки и качестве для конкретных задач нет. Использование чата подтверждается метаданными, но специальных возможностей RAG или поиска документов карточка не описывает.

Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория на Hugging Face. README не раскрывает ограничения модели и подробности обучения.

Сценарии применения

  • диалоговые ответы на текстовые запросы
  • генерация текста по инструкциям
  • ответы с учётом длинного текстового контекста

Ограничения

README не приводит подробных ограничений, методики оценки или измерений качества за пределами значения loss 0,0567 на тестовой выборке. Условия лицензии типа other требуют отдельной проверки в репозитории.

Для каких профессий подходит5

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.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модельI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LongRAG_ministral-8b-instruct-2410

This model is a fine-tuned version of mistralai/Ministral-8B-Instruct-2410 on the LRGinstruction dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0567

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: 2
  • eval_batch_size: 2
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 12
  • total_train_batch_size: 192
  • total_eval_batch_size: 16
  • 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
0.33772.0270.0529

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
MistralForCausalLM
Ревизия весов
27a2a9d

0 моделей

    Создать бенчмарк