Дообученная разговорная модель Mixtral для генерации диалогов, ролевых сценариев и ответов с учётом теории разума.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
Crunchy-onion — разговорная языковая модель, созданная Epiculous дообучением модели семейства Mixtral на примерах из LimaRP в формате ShareGPT, а также на данных по теории разума и наборе Gnosis. Она предназначена для генерации текста в диалоге, в том числе для ролевых сценариев и ответов, учитывающих намерения и психическое состояние собеседников. Модель имеет архитектуру Mixtral MoE, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии AGPL-3.0.
Карточка не приводит результатов оценки качества или подробностей рекомендуемых настроек генерации; поведение модели зависит от обучающих данных и может включать их ошибки и смещения.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is created by training Mixtral base model on LimaRP (ShareGPT format provided by SAO), theory of mind, and gnosis(provided by jeiku).
The 4-bit qlora was then merged into Mixtral Instruct resulting in what you see here.
Works best with Alpaca Instruct
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
vLLM
Подбираем GPU…