Характеристики

Контекст: 32 768 токенов
Параметры: 7,1 млрд
Размер весов: 29 ГБ
Лицензия: Apache 2.0
Архитектура: mistral · dense
Опубликована: 2 янв 2024

Ссылки

Instruct_Mistral-7B-v0.1_Dolly15K

Генерация текстаТекст → текст5 профессий

Дообученная на Dolly 15k модель Mistral с 7,1 млрд параметров для генерации англоязычных ответов и текстов по инструкциям.

65скачиваний за 30 дней0лайковвеса обновлены7 янв 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

HenryJJ/Instruct_Mistral-7B-v0.1_Dolly15K — авторегрессионная языковая модель Mistral с 7,1 млрд параметров, дообученная HenryJJ на датасете Databricks Dolly 15k. README сообщает об обучении с LoRA в течение двух эпох и разделении данных на 90% для обучения и 10% для проверки. Модель предназначена для генерации текста по инструкциям, например для написания коротких текстов по заданной теме.

Модель принимает текст и генерирует текст; в метаданных указан контекст 32 768 токенов, тогда как README сообщает об окне контекста 1 024 токена при обучении. Карточка называет английский основным языком. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. В README есть несогласованность в названии Mixtral и утверждении об архитектуре Llama 2; метаданные указывают на семейство Mistral и архитектуру MistralForCausalLM.

Сценарии применения

написание стихотворения по заданной теме
генерация ответов на инструкции на английском языке
создание коротких текстов по описанию пользователя

Ограничения

README указывает окно контекста обучения 1 024 токена, тогда как метаданные сообщают нативный контекст 32 768 токенов. Карточка противоречиво описывает исходную модель и архитектуру: Mixtral в заголовке и описании обучения, но Mistral в идентификаторе и метаданных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

III.5Управление персоналом и организацией

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Instruct_Mixtral-7B-v0.1_Dolly15K

Fine-tuned from Mixtral-7B-v0.1， used Dolly15k for the dataset. 90% for training, 10% validation. Trained for 2.0 epochs using Lora. Trained with 1024 context window.

Model Details

Trained by: trained by HenryJJ.
Model type: Instruct_Mixtral-7B-v0.1_Dolly15K is an auto-regressive language model based on the Llama 2 transformer architecture.
Language(s): English
License for Instruct_Mixtral-7B-v0.1_Dolly15K: apache-2.0 license

Prompting

Prompt Template With Context

Write a 10-line poem about a given topic

Input:

The topic is about racecars

Output:

Prompt Template Without Context

Who was the was the second president of the United States?

Output:

Training script:

Fully opensourced at: https://github.com/hengjiUSTC/learn-llm/blob/main/trl_finetune.py.

Latest results

These are the latest results from run 2024-01-04T13:27:32.660899(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the "latest" split for each eval):

{
    "all": {
        "acc": 0.6241143484289186,
        "acc_stderr": 0.032689663124831826,
        "acc_norm": 0.6299031400315822,
        "acc_norm_stderr": 0.033361474961048916,
        "mc1": 0.2802937576499388,
        "mc1_stderr": 0.015723139524608767,
        "mc2": 0.435601924823795,
        "mc2_stderr": 0.014179199089974604
    },
    "harness|arc:challenge|25": {
        "acc": 0.5571672354948806,
        "acc_stderr": 0.014515573873348906,
        "acc_norm": 0.5938566552901023,
        "acc_norm_stderr": 0.014351656690097862
    },
    "harness|hellaswag|10": {
        "acc": 0.6253734315873332,
        "acc_stderr": 0.004830371317841054,
        "acc_norm": 0.826229834694284,
        "acc_norm_stderr": 0.00378137335887
    },
    "harness|hendrycksTest-abstract_algebra|5": {
        "acc": 0.31,
        "acc_stderr": 0.04648231987117316,
        "acc_norm": 0.31,
        "acc_norm_stderr": 0.04648231987117316
    },
    "harness|hendrycksTest-anatomy|5": {
        "acc": 0.6148148148148148,
        "acc_stderr": 0.04203921040156279,
        "acc_norm": 0.6148148148148148,
        "acc_norm_stderr": 0.04203921040156279
    },
    "harness|hendrycksTest-astronomy|5": {
        "acc": 0.6513157894736842,
        "acc_stderr": 0.03878139888797611,
        "acc_norm": 0.6513157894736842,
        "acc_norm_stderr": 0.03878139888797611
    },
    "harness|hendrycksTest-business_ethics|5": {
        "acc": 0.57,
        "acc_stderr": 0.04975698519562428,
        "acc_norm": 0.57,
        "acc_norm_stderr": 0.04975698519562428
    },
    "harness|hendrycksTest-clinical_knowledge|5": {
        "acc": 0.660377358490566,
        "acc_stderr": 0.029146904747798328,
        "acc_norm": 0.660377358490566,
        "acc_norm_stderr": 0.029146904747798328
    },
    "harness|hendrycksTest-college_biology|5": {
        "acc": 0.7291666666666666,
        "acc_stderr": 0.03716177437566017,
        "acc_norm": 0.7291666666666666,
        "acc_norm_stderr": 0.03716177437566017
    },
    "harness|hendrycksTest-college_chemistry|5": {
        "acc": 0.46,
        "acc_stderr": 0.05009082659620332,
        "acc_norm": 0.46,
        "acc_norm_stderr": 0.05009082659620332
    },
    "harness|hendrycksTest-college_computer_science|5": {
        "acc": 0.54,
        "acc_stderr": 0.05009082659620333,
        "acc_norm": 0.54,
        "acc_norm_stderr": 0.05009082659620333
    },
    "harness|hendrycksTest-college_mathematics|5": {
        "acc": 0.38,
        "acc_stderr": 0.04878317312145632,
        "acc_norm": 0.38,
        "acc_norm_stderr": 0.04878317312145632
    },
    "harness|hendrycksTest-college_medicine|5": {
        "acc": 0.5838150289017341,
        "acc_stderr": 0.03758517775404947,
        "acc_norm": 0.5838150289017341,
        "acc_norm_stderr": 0.03758517775404947
    },
    "harness|hendrycksTest-college_physics|5": {
        "acc": 0.35294117647058826,
        "acc_stderr": 0.04755129616062946,
        "acc_norm": 0.35294117647058826,
        "acc_norm_stderr": 0.04755129616062946
    },
    "harness|hendrycksTest-computer_security|5": {
        "acc": 0.77,
        "acc_stderr": 0.04229525846816505,
        "acc_norm": 0.77,
        "acc_norm_stderr": 0.04229525846816505
    },
    "harness|hendrycksTest-conceptual_physics|5": {
        "acc": 0.5574468085106383,
        "acc_stderr": 0.032469569197899575,
        "acc_norm": 0.5574468085106383,
        "acc_norm_stderr": 0.032469569197899575
    },
    "harness|hendrycksTest-econometrics|5": {
        "acc": 0.5,
        "acc_stderr": 0.047036043419179864,
        "acc_norm": 0.5,
        "acc_norm_stderr": 0.047036043419179864
    },
    "harness|hendrycksTest-electrical_engineering|5": {
        "acc": 0.5724137931034483,
        "acc_stderr": 0.041227371113703316,
        "acc_norm": 0.5724137931034483,
        "acc_norm_stderr": 0.041227371113703316
    },
    "harness|hendrycksTest-elementary_mathematics|5": {
        "acc": 0.3994708994708995,
        "acc_stderr": 0.02522545028406788,
        "acc_norm": 0.3994708994708995,
        "acc_norm_stderr": 0.02522545028406788
    },
    "harness|hendrycksTest-formal_logic|5": {
        "acc": 0.3968253968253968,
        "acc_stderr": 0.04375888492727061,
        "acc_norm": 0.3968253968253968,
        "acc_norm_stderr": 0.04375888492727061
    },
    "harness|hendrycksTest-global_facts|5": {
        "acc": 0.35,
        "acc_stderr": 0.0479372485441102,
        "acc_norm": 0.35,
        "acc_norm_stderr": 0.0479372485441102
    },
    "harness|hendrycksTest-high_school_biology|5": {
        "acc": 0.7483870967741936,
        "acc_stderr": 0.024685979286239956,
        "acc_norm": 0.7483870967741936,
        "acc_norm_stderr": 0.024685979286239956
    },
    "harness|hendrycksTest-high_school_chemistry|5": {
        "acc": 0.5221674876847291,
        "acc_stderr": 0.03514528562175008,
        "acc_norm": 0.5221674876847291,
        "acc_norm_stderr": 0.03514528562175008
    },
    "harness|hendrycksTest-high_school_computer_science|5": {
        "acc": 0.67,
        "acc_stderr": 0.04725815626252607,
        "acc_norm": 0.67,
        "acc_norm_stderr": 0.04725815626252607
    },
    "harness|hendrycksTest-high_school_european_history|5": {
        "acc": 0.7636363636363637,
        "acc_stderr": 0.03317505930009182,
        "acc_norm": 0.7636363636363637,
        "acc_norm_stderr": 0.03317505930009182
    },
    "harness|hendrycksTest-high_school_geography|5": {
        "acc": 0.7525252525252525,
        "acc_stderr": 0.030746300742124498,
        "acc_norm": 0.7525252525252525,
        "acc_norm_stderr": 0.030746300742124498
    },
    "harness|hendrycksTest-high_school_government_and_politics|5": {
        "acc": 0.844559585492228,
        "acc_stderr": 0.026148483469153314,
        "acc_norm": 0.844559585492228,
        "acc_norm_stderr": 0.026148483469153314
    },
    "harness|hendrycksTest-high_school_macroeconomics|5": {
        "acc": 0.6205128205128205,
        "acc_stderr": 0.024603626924097417,
        "acc_norm": 0.6205128205128205,
        "acc_norm_stderr": 0.024603626924097417
    },
    "harness|hendrycksTest-high_school_mathematics|5": {
        "acc": 0.337037037037037,
        "acc_stderr": 0.028820884666253252,
        "acc_norm": 0.337037037037037,
        "acc_norm_stderr": 0.028820884666253252
    },
    "harness|hendrycksTest-high_school_microeconomics|5": {
        "acc": 0.6260504201680672,
        "acc_stderr": 0.031429466378837076,
        "acc_norm": 0.6260504201680672,
        "acc_norm_stderr": 0.031429466378837076
    },
    "harness|hendrycksTest-high_school_physics|5": {
        "acc": 0.33774834437086093,
        "acc_stderr": 0.03861557546255169,
        "acc_norm": 0.33774834437086093,
        "acc_norm_stderr": 0.03861557546255169
    },
    "harness|hendrycksTest-high_school_psychology|5": {
        "acc": 0.7944954128440367,
        "acc_stderr": 0.01732435232501601,
        "acc_norm": 0.7944954128440367,
        "acc_norm_stderr": 0.01732435232501601
    },
    "harness|hendrycksTest-high_school_statistics|5": {
        "acc": 0.5046296296296297,
        "acc_stderr": 0.03409825519163572,
        "acc_norm": 0.5046296296296297,
        "acc_norm_stderr": 0.03409825519163572
    },
    "harness|hendrycksTest-high_school_us_history|5": {
        "acc": 0.8137254901960784,
        "acc_stderr": 0.027325470966716312,
        "acc_norm": 0.8137254901960784,
        "acc_norm_stderr": 0.027325470966716312
    },
    "harness|hendrycksTest-high_school_world_history|5": {
        "acc": 0.7763713080168776,
        "acc_stderr": 0.027123298205229966,
        "acc_norm": 0.7763713080168776,
        "acc_norm_stderr": 0.027123298205229966
    },
    "harness|hendrycksTest-human_aging|5": {
        "acc": 0.6860986547085202,
        "acc_stderr": 0.031146796482972465,
        "acc_norm": 0.6860986547085202,
        "acc_norm_stderr": 0.031146796482972465
    },
    "harness|hendrycksTest-human_sexuality|5": {
        "acc": 0.7557251908396947,
        "acc_stderr": 0.037683359597287434,
        "acc_norm": 0.7557251908396947,
        "acc_norm_stderr": 0.037683359597287434
    },
    "harness|hendrycksTest-international_law|5": {
        "acc": 0.7851239669421488,
        "acc_stderr": 0.037494924487096966,
        "acc_norm": 0.7851239669421488,
        "acc_norm_stderr": 0.037494924487096966
    },
    "harness|hendrycksTest-jurisprudence|5": {
        "acc": 0.75,
        "acc_stderr": 0.04186091791394607,
        "acc_norm": 0.75,
        "acc_norm_stderr": 0.04186091791394607
    },
    "harness|hendrycksTest-logical_fallacies|5": {
        "acc": 0.7791411042944786,
        "acc_stderr": 0.03259177392742178,
        "acc_norm": 0.7791411042944786,
        "acc_norm_stderr": 0.03259177392742178
    },
    "harness|hendrycksTest-machine_learning|5": {
        "acc": 0.41964285714285715,
        "acc_stderr": 0.04684099321077106,
        "acc_norm": 0.41964285714285715,
        "acc_norm_stderr": 0.04684099321077106
    },
    "harness|hendrycksTest-management|5": {
        "acc": 0.7961165048543689,
        "acc_stderr": 0.039891398595317706,
        "acc_norm": 0.7961165048543689,
        "acc_norm_stderr": 0.039891398595317706
    },
    "harness|hendrycksTest-marketing|5": {
        "acc": 0.8589743589743589,
        "acc_stderr": 0.022801382534597528,
        "acc_norm": 0.8589743589743589,
        "acc_norm_stderr": 0.022801382534597528
    },
    "harness|hendrycksTest-medical_genetics|5": {
        "acc": 0.73,
        "acc_stderr": 0.044619604333847394,
        "acc_norm": 0.73,
        "acc_norm_stderr": 0.044619604333847394
    },
    "harness|hendrycksTest-miscellaneous|5": {
        "acc": 0.8135376756066411,
        "acc_stderr": 0.013927751372001501,
        "acc_norm": 0.8135376756066411,
        "acc_norm_stderr": 0.013927751372001501
    },
    "harness|hendrycksTest-moral_disputes|5": {
        "acc": 0.6994219653179191,
        "acc_stderr": 0.0246853168672578,
        "acc_norm": 0.6994219653179191,
        "acc_norm_stderr": 0.0246853168672578
    },
    "harness|hendrycksTest-moral_scenarios|5": {
        "acc": 0.4033519553072626,
        "acc_stderr": 0.01640712303219525,
        "acc_norm": 0.4033519553072626,
        "acc_norm_stderr": 0.01640712303219525
    },
    "harness|hendrycksTest-nutrition|5": {
        "acc": 0.7320261437908496,
        "acc_stderr": 0.02536060379624255,
        "acc_norm": 0.7320261437908496,
        "acc_norm_stderr": 0.02536060379624255
    },
    "harness|hendrycksTest-philosophy|5": {
        "acc": 0.7009646302250804,
        "acc_stderr": 0.02600330111788514,
        "acc_norm": 0.7009646302250804,
        "acc_norm_stderr": 0.02600330111788514
    },
    "harness|hendrycksTest-prehistory|5": {
        "acc": 0.7067901234567902,
        "acc_stderr": 0.025329888171900926,
        "acc_norm": 0.7067901234567902,
        "acc_norm_stderr": 0.025329888171900926
    },
    "harness|hendrycksTest-professional_accounting|5": {
        "acc": 0.49645390070921985,
        "acc_stderr": 0.02982674915328092,
        "acc_norm": 0.49645390070921985,
        "acc_norm_stderr": 0.02982674915328092
    },
    "harness|hendrycksTest-professional_law|5": {
        "acc": 0.44784876140808344,
        "acc_stderr": 0.01270058240476822,
        "acc_norm": 0.44784876140808344,
        "acc_norm_stderr": 0.01270058240476822
    },
    "harness|hendrycksTest-professional_medicine|5": {
        "acc": 0.6397058823529411,
        "acc_stderr": 0.029163128570670733,
        "acc_norm": 0.6397058823529411,
        "acc_norm_stderr": 0.029163128570670733
    },
    "harness|hendrycksTest-professional_psychology|5": {
        "acc": 0.6666666666666666,
        "acc_stderr": 0.019070985589687495,
        "acc_norm": 0.6666666666666666,
        "acc_norm_stderr": 0.019070985589687495
    },
    "harness|hendrycksTest-public_relations|5": {
        "acc": 0.6727272727272727,
        "acc_stderr": 0.0449429086625209,
        "acc_norm": 0.6727272727272727,
        "acc_norm_stderr": 0.0449429086625209
    },
    "harness|hendrycksTest-security_studies|5": {
        "acc": 0.7020408163265306,
        "acc_stderr": 0.029279567411065677,
        "acc_norm": 0.7020408163265306,
        "acc_norm_stderr": 0.029279567411065677
    },
    "harness|hendrycksTest-sociology|5": {
        "acc": 0.7960199004975125,
        "acc_stderr": 0.02849317624532607,
        "acc_norm": 0.7960199004975125,
        "acc_norm_stderr": 0.02849317624532607
    },
    "harness|hendrycksTest-us_foreign_policy|5": {
        "acc": 0.84,
        "acc_stderr": 0.03684529491774709,
        "acc_norm": 0.84,
        "acc_norm_stderr": 0.03684529491774709
    },
    "harness|hendrycksTest-virology|5": {
        "acc": 0.5542168674698795,
        "acc_stderr": 0.03869543323472101,
        "acc_norm": 0.5542168674698795,
        "acc_norm_stderr": 0.03869543323472101
    },
    "harness|hendrycksTest-world_religions|5": {
        "acc": 0.8011695906432749,
        "acc_stderr": 0.03061111655743253,
        "acc_norm": 0.8011695906432749,
        "acc_norm_stderr": 0.03061111655743253
    },
    "harness|truthfulqa:mc|0": {
        "mc1": 0.2802937576499388,
        "mc1_stderr": 0.015723139524608767,
        "mc2": 0.435601924823795,
        "mc2_stderr": 0.014179199089974604
    },
    "harness|winogrande|5": {
        "acc": 0.7932123125493291,
        "acc_stderr": 0.011382566829235805
    },
    "harness|gsm8k|5": {
        "acc": 0.3510235026535254,
        "acc_stderr": 0.01314694594139722
    }
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: MistralForCausalLM
Ревизия весов: 9aaada0