/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
2,1 млрд
Лицензия
MIT
Архитектура
qwen2 · dense
Опубликована
2 июл 2024

Carrot-Ko-2B-Instruct

Генерация текстаТекст → текст3 профессии

Экспериментальная модель Qwen2, дообученная CarrotAI для диалоговой генерации ответов на корейском языке.

683скачиваний за 30 дней1лайквеса обновлены5 июл 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

Carrot-Ko-2B-Instruct — корейская разговорная языковая модель CarrotAI, дообученная с помощью Axolotl на созданном разработчиком наборе инструкций на корейском языке. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 2,1 млрд параметров, основанная на Qwen/Qwen2-1.5B-Instruct. Она предназначена для диалогов и генерации ответов на корейском языке; заявленный контекст — до 32 768 токенов. В карточке приведены результаты LogicKor, включая общий балл 4,21 в режиме default; показатели заметно различаются по категориям и режимам, а математика выглядит слабой стороной.

Разработчик отмечает, что модель всё ещё экспериментальная. Она может быть полезна для прототипирования корейских чат-ботов и систем ответов на вопросы, но качество стоит отдельно оценить на целевых запросах. Репозиторий содержит веса PyTorch; лицензия — MIT.

Сценарии применения

  • создание корейского чат-бота
  • ответы на вопросы на корейском языке
  • генерация корейских текстов по инструкциям
  • прототипирование многоходового диалога на корейском языке

Ограничения

Модель обозначена разработчиком как находящаяся в экспериментальной стадии; результаты LogicKor показывают слабые показатели по математике и неоднородное качество между режимами. Производительность зависит от сложности запроса, поэтому её следует оценить на целевых сценариях.

Для каких профессий подходит3

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

Model Details

생성한 한국어 데이터셋으로 axolotl을 이용하여 파인튜닝하였습니다.

LogicKor에서 2.1B의 파라메터로 default 기준 4.21점을 기록하였습니다.

아직 실험중인 모델입니다.

Model Description

Qwen/Qwen2-1.5B-Instruct 모델을 이용하여 생성하였습니다.

LogicKor

default

CategorySingle turnMulti turn
이해 (Understanding)6.145.43
문법 (Grammar)5.002.43
수학 (Math)1.861.86
추론 (Reasoning)5.572.14
코딩 (Coding)3.573.71
글쓰기 (Writing)6.006.86
CategoryScore
Single turn4.69
Multi turn3.74
Overall4.21

1-shot

CategorySingle turnMulti turn
추론(Reasoning)4.141.43
수학(Math)2.861.00
글쓰기(Writing)5.004.57
코딩(Coding)3.143.43
이해(Understanding)4.293.71
문법(Grammar)2.711.43
CategoryScore
Single turn3.69
Multi turn2.60
Overall3.14

cot-1-shot

CategorySingle turnMulti turn
추론(Reasoning)3.002.86
수학(Math)1.571.00
글쓰기(Writing)5.866.00
코딩(Coding)4.294.14
이해(Understanding)3.433.43
문법(Grammar)3.001.14
CategoryScore
Single turn3.52
Multi turn3.10
Overall3.31

Applications

This fine-tuned model is particularly suited for [mention applications, e.g., chatbots, question-answering systems, etc.]. Its enhanced capabilities ensure more accurate and contextually appropriate responses in these domains.

Limitations and Considerations

While our fine-tuning process has optimized the model for specific tasks, it's important to acknowledge potential limitations. The model's performance can still vary based on the complexity of the task and the specificities of the input data. Users are encouraged to evaluate the model thoroughly in their specific context to ensure it meets their requirements.

Model Card

@article{Carrot-Ko-2.1B-Instruct,
  title={CarrotAI/Carrot-Ko-2.1B-Instruct Card},
  author={CarrotAI (L, GEUN)},
  year={2024},
  url = {https://huggingface.co/CarrotAI/Carrot-2.1B-Instruct}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
db3ff30

0 моделей