/ Модель

Характеристики

Контекст
131 072 токена
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2-0.5B
Опубликована
18 июл 2024

Qwen2-0.5B-Abyme

Генерация текстаТекст → текст3 профессии

Компактная диалоговая модель Qwen2, дообученная на ответах Qwen2-72B для генерации текста и изучения переноса знаний.

52скачиваний за 30 дней0лайковвеса обновлены6 сен 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 оценки6

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

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0295

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2534

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,2862

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3542

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1333

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,1915

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen2-0.5B-Abyme — дообученная языковая модель, созданная для эксперимента по переносу знаний от крупной модели Qwen2-72B к меньшей модели семейства Qwen2. Разработчик дообучил её на 300 тысячах диалоговых примеров из набора Magpie-Align/Magpie-Qwen2-Pro-300K-Filtered.

Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2ForCausalLM и предназначена для генерации текста и диалоговых ответов. Метаданные указывают контекст до 131072 токенов и языки английский и китайский. В README приведены результаты оценки, включая loss 0,8229 на отложенной выборке, однако возможности модели полностью не оценены; качество может различаться в зависимости от задачи и области, а также присутствовать унаследованные смещения.

Модель подходит для исследований переноса знаний и для экспериментов с компактными диалоговыми моделями при ограниченных вычислительных ресурсах. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • эксперименты по переносу знаний от большой языковой модели к малой
  • генерация диалоговых ответов на английском языке
  • генерация диалоговых ответов на китайском языке
  • исследование возможностей компактных языковых моделей
  • прототипирование генерации текста при ограниченных вычислительных ресурсах

Ограничения

Возможности модели полностью не оценены, а качество может различаться в зависимости от задачи и области. Модель может наследовать смещения исходных моделей.

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

axolotl version: 0.4.1

adapter: null
base_model: Qwen/Qwen2-0.5B
bf16: auto
chat_template: chatml
dataset_prepared_path: ./data/last_run_prepared
datasets:
- path: Magpie-Align/Magpie-Qwen2-Pro-300K-Filtered
  type: sharegpt
deepspeed: null
early_stopping_patience: null
eval_sample_packing: true
evals_per_epoch: 4
flash_attention: true
fp16: null
fsdp: null
gradient_accumulation_steps: 4
gradient_checkpointing: true
gradient_checkpointing_kwargs:
  use_reentrant: false
group_by_length: false
hf_use_auth_token: true
hub_model_id: CoolSpring/Qwen2-0.5B-Abyme
learning_rate: 2e-5
load_in_4bit: false
load_in_8bit: false
local_rank: null
logging_steps: 1
lr_scheduler: cosine
micro_batch_size: 4
num_epochs: 1
optimizer: adamw_torch
output_dir: ./outputs/out
pad_to_sequence_len: true
resize_token_embeddings_to_32x: true
resume_from_checkpoint: null
sample_packing: true
saves_per_epoch: 1
sequence_len: 4096
tf32: true
tokens:
- <|im_start|>
- <|im_end|>
train_on_inputs: false
val_set_size: 0.05
wandb_entity: null
wandb_log_model: null
wandb_name: Qwen2-0.5B-Abyme
wandb_project: Qwen2-0.5B-Magpie-Qwen2-Pro-300K-Filtered
wandb_watch: null
warmup_steps: 100
weight_decay: null
xformers_attention: null

Qwen2-0.5B-Abyme

This model is a fine-tuned version of Qwen/Qwen2-0.5B on the Magpie-Align/Magpie-Qwen2-Pro-300K-Filtered dataset. It was created to explore the effects of training the smallest model in the Qwen2 series on data extracted from the largest model in the Qwen2 series (as of July 18th, 2024).

It achieves the following results on the evaluation set:

  • Loss: 0.8229

Model description

Qwen2-0.5B-Abyme is a 0.5 billion parameter language model fine-tuned on a dataset of conversation samples from the much larger 72 billion parameter Qwen2-72B model. The purpose of this experiment is to investigate whether a smaller model can effectively learn and reproduce the knowledge and capabilities of a significantly larger model through the fine-tuning process.

Intended uses & limitations

This model is intended for research purposes to study the knowledge transfer and distillation capabilities of language models. It may have practical applications in scenarios where the computational resources for running large language models are limited, and a smaller, fine-tuned model can provide comparable performance.

However, it is important to note that the model's capabilities and limitations are yet to be fully evaluated. Its performance may vary depending on the task and domain, and it may exhibit biases or limitations inherited from the original models.

Training and evaluation data

The model was fine-tuned on the Magpie-Align/Magpie-Qwen2-Pro-300K-Filtered dataset, which contains 300,000 conversation samples from the Qwen2-72B model. 5% of this dataset was held out as the evaluation set for calculating the reported loss metric.

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2e-05
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 16
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 100
  • num_epochs: 1

Training results

Training LossEpochStepValidation Loss
0.99470.000410.9683
0.83850.25015970.8338
0.76360.500211940.8249
0.81240.750217910.8229

Framework versions

  • Transformers 4.42.3
  • Pytorch 2.3.1+cu121
  • Datasets 2.19.1
  • Tokenizers 0.19.1

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.4.76
IFEval (0-Shot)19.15
BBH (3-Shot)2.28
MATH Lvl 5 (4-Shot)1.51
GPQA (0-shot)0.45
MuSR (0-shot)1.48
MMLU-PRO (5-shot)3.70

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
541e78a

0 моделей