/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
187 ГБ
Лицензия
Apache 2.0
Архитектура
mixtral · MoE
Базовая модель
Mixtral-8x7B-Instruct-v0.1
Опубликована
11 фев 2024

GritLM-8x7B

Генерация текстаТекст → текст12 профессий

GritLM-8x7B объединяет генерацию текста и создание текстовых представлений для диалогов, семантического поиска и оценки релевантности.

9 054скачиваний за 30 дней39лайковвеса обновлены15 апр 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.

Публичные оценки23

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

  • STS17

    main_score

    Результат

    0,8271

    MTEB

    Публичная таблицадругая ревизия

  • IndicGenBenchFloresBitextMining

    main_score

    Результат

    0,9617

    Общий результат 0,9893Общий результат 0,8424Общий результат 0,8302
    MTEB

    Публичная таблицадругая ревизия

  • MassiveScenarioClassification

    main_score

    Результат

    0,6018

    Общий результат 0,7611Общий результат 0,7312Общий результат 0,6974
    MTEB

    Публичная таблицадругая ревизия

  • AfriSentiClassification

    main_score

    Результат

    0,5996

    MTEB

    Публичная таблицадругая ревизия

  • SIB200ClusteringS2S

    main_score

    Результат

    0,5284

    Общий результат 0,5848Общий результат 0,5288Общий результат 0,372
    MTEB

    Публичная таблицадругая ревизия

  • Tatoeba

    main_score

    Результат

    0,7686

    Общий результат 0,9553Общий результат 0,902Общий результат 0,8073
    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClusteringS2S

    main_score

    Результат

    0,8715

    Общий результат 0,662
    MTEB

    Публичная таблицадругая ревизия

  • MassiveIntentClassification

    main_score

    Результат

    0,767

    Общий результат 0,7051
    MTEB

    Публичная таблицадругая ревизия

  • MLQARetrieval

    main_score

    Результат

    0,7122

    Общий результат 0,7874Общий результат 0,6128Общий результат 0,5729
    MTEB

    Публичная таблицадругая ревизия

  • StackExchangeClusteringP2P.v2

    main_score

    Результат

    0,4427

    MTEB

    Публичная таблицадругая ревизия

  • STS22.v2

    main_score

    Результат

    0,7345

    MTEB

    Публичная таблицадругая ревизия

  • FinParaSTS

    main_score

    Результат

    0,2088

    Общий результат 0,1928
    MTEB

    Публичная таблицадругая ревизия

  • XQuADRetrieval

    main_score

    Результат

    0,9452

    Общий результат 0,9609
    MTEB

    Публичная таблицадругая ревизия

  • WikipediaRetrievalMultilingual

    main_score

    Результат

    0,8683

    MTEB

    Публичная таблицадругая ревизия

  • MasakhaNEWSClassification

    main_score

    Результат

    0,7752

    MTEB

    Публичная таблицадругая ревизия

  • MIRACLRetrievalHardNegatives

    main_score

    Результат

    0,3766

    MTEB

    Публичная таблицадругая ревизия

  • MultiEURLEXMultilabelClassification

    main_score

    Результат

    0,0488

    Общий результат 0,05
    MTEB

    Публичная таблицадругая ревизия

  • CUREv1

    main_score

    Результат

    0,6142

    MTEB

    Публичная таблицадругая ревизия

  • XNLI

    main_score

    Результат

    0,7669

    MTEB

    Публичная таблицадругая ревизия

  • WikiClusteringP2P.v2

    main_score

    Результат

    0,4465

    MTEB

    Публичная таблицадругая ревизия

  • LEMBPasskeyRetrieval

    main_score

    Результат

    0,14

    MTEB

    Публичная таблицадругая ревизия

  • AmazonReviewsClassification

    main_score

    Результат

    0,5763

    MTEB

    Публичная таблицадругая ревизия

  • SCIDOCS

    main_score

    Результат

    0,2325

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GritLM-8x7B — языковая модель Contextual AI, дообученная на базе mistralai/Mixtral-8x7B-Instruct-v0.1 методом GRIT. Она объединяет генерацию текста и получение текстовых представлений, поэтому подходит как для диалогов и ответов на запросы, так и для создания эмбеддингов и оценки релевантности текстов. В метаданных указаны архитектура Mixtral с разреженной экспертной архитектурой MoE, 7,1 млрд параметров и контекст до 32 768 токенов.

Модель рассчитана на задачи поиска и представления текста, а также на генерацию ответов и продолжений. Карточка сообщает о высоких результатах на задачах генерации и представления текста, но не приводит подробных оценок или инструкций по использованию. Репозиторий распространяется по лицензии Apache-2.0. Языковая поддержка в предоставленных данных не уточнена.

Сценарии применения

  • генерация ответов в диалоге по запросу пользователя
  • создание эмбеддингов для семантического поиска
  • поиск релевантных документов по текстовому запросу
  • ранжирование текстовых фрагментов по релевантности
  • продолжение и переформулирование текста

Ограничения

В предоставленной карточке нет подробных оценок качества и указаний по использованию эмбеддингов или ранжирования. Языковая поддержка не описана в доступных данных.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Summary

GritLM is a generative representational instruction tuned language model. It unifies text representation (embedding) and text generation into a single model achieving state-of-the-art performance on both types of tasks.

ModelDescription
GritLM 7BMistral 7B finetuned using GRIT
GritLM 8x7BMixtral 8x7B finetuned using GRIT

Use

The model usage is documented here.

Citation

@misc{muennighoff2024generative,
      title={Generative Representational Instruction Tuning}, 
      author={Niklas Muennighoff and Hongjin Su and Liang Wang and Nan Yang and Furu Wei and Tao Yu and Amanpreet Singh and Douwe Kiela},
      year={2024},
      eprint={2402.09906},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

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
a7168fb

0 моделей