/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
76 ГБ
Лицензия
Своя лицензия
Архитектура
mixtral · MoE
Опубликована
17 фев 2024

Qwen1.5-8x7b

Генерация текстаТекст → текст3 профессии

Экспериментальная диалоговая MoE-модель на основе Qwen1.5-7B для генерации текста и изучения маршрутизации между восемью экспертами.

119скачиваний за 30 дней45лайковвеса обновлены1 мар 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

Crystalcareai/Qwen1.5-8x7b — экспериментальная разговорная языковая модель автора Lucas, построенная на архитектуре Mixture of Experts (MoE) семейства Mixtral. Автор дообучил Qwen1.5-7B на 100 тысячах случайных диалогов из набора Mixture of Data (MoD) в течение четырёх эпох, затем объединил модель в вариант с восемью экспертами. Для маршрутизации использованы случайные gate; эксперты отдельно не дообучались. По метаданным, репозиторий содержит веса PyTorch объёмом около 7,1 млрд параметров, а контекст модели составляет 32 768 токенов.

Модель предназначена для диалоговой генерации текста и экспериментального изучения MoE. Автор сообщает о сопоставимых с Mixtral результатах в предварительных тестах на рассуждение, но обучение было прервано после 0,45 из запланированных четырёх эпох, поэтому качество и устойчивость требуют проверки. Лицензия указана как other; конкретные условия следует сверить с карточкой модели и лицензиями использованных данных.

Сценарии применения

  • генерация ответов в диалоге
  • эксперименты с архитектурами Mixture of Experts
  • предварительная проверка рассуждений языковой модели

Ограничения

Обучение завершилось после 0,45 из четырёх запланированных эпох; автор приводит только предварительные результаты на наивных тестах рассуждения. Отдельная настройка экспертов не проводилась, а лицензия обозначена как other.

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

Please note this is the model that accompanies the dataset; https://huggingface.co/datasets/Crystalcareai/MoD. The readme is the same for both, with more detail below

Hey, I'm Lucas

I'm excited to share an early release of a project that has kept me busy for the last couple of weeks. Mixtral's release propelled me into a deep dive into MoEs.

With the release of Qwen1.5, I was curious to see how it would compare to Mixtral.

Coming from a background as an acting teacher and coach, I saw parallels between high-quality scripts' impact on performances and the importance of curating high-quality data for training models. This led me to explore data curation, especially for training Mixture of Experts (MoE) models. I looked into Teknium's OpenHermes dataset, Jon Durbin's collections on GitHub, and Eric Hartford's methods for achieving specific outcomes with models.

I curated a dataset, named Mixture of Data (MoD), from various sources, including Bagel, OpenHermes, and many more, totaling about 780,000 distinct ShareGPT conversations. This dataset aims to encourage MoE models to develop their own distinct experts.

After training Qwen1.5-7b on 100k random samples from MoD over four epochs and merging the fine-tuned model 8x, I used an approach utilizing a random gate, without specialized fine-tuning done to any of the 8 experts. The result was a model that initially made no sense, lacking a base model and clear guidance on expert usage.

Despite challenges, such as training interruptions via cuda errors with Runpod , the model showed promising adaptability to the rest of the MoD dataset, even with limited training (0.45/4 planned epochs were completed before my compute budget ran out). It performs comparably to Mixtral in (admittedly naive) preliminary reasoning tests.

These weeks have been incredibly rewarding and educational, thanks to the contributions of Jon Durbin, Maxime Labonne, Teknium, Eric Hartford, and Charles Goddard. Their work has made these technologies accessible and inspired my project. A special thank you to Teknium and Eric Hartford, who have been generous with their time - answering my questions with kindness and humility.

I am currently training a 2.0 model - that I expect to beat Mixtral on most benchmarks. Thank you for your interest and support. Let's push the boundaries of what's possible together.

Lucas

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
MixtralForCausalLM
Ревизия весов
3c733f6

0 моделей