/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
29 ГБ
Лицензия
MIT
Архитектура
mistral · dense
Базовая модель
Mistral-7B-v0.1
Опубликована
26 окт 2023

zephyr-7b-beta

Генерация текстаТекст → текст9 профессий

Англоязычная чат-модель Zephyr-7B-β на базе Mistral для ответов на вопросы и выполнения пользовательских инструкций.

88 759скачиваний за 30 дней1 856лайковвеса обновлены16 окт 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 оценки20

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

  • mbpp+

    pass@1 · выше — лучше

    Результат

    34,7 %

    EvalPlus

    Публичная таблицаревизия не подтверждена

  • winogrande

    acc · выше — лучше

    Результат

    77,7427

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • ai2_arc

    acc_norm

    Результат

    62,0307

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • tatsu-lab/alpaca_eval

    unknown

    Результат

    0,906

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2903

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • mbpp

    pass@1 · выше — лучше

    Результат

    42,1 %

    EvalPlus

    Публичная таблицаревизия не подтверждена

  • TIGER-Lab/MMLU-Pro

    score · выше — лучше

    Результат

    32,97

    mmlu_pro 32,97
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

  • humaneval+

    pass@1 · выше — лучше

    Результат

    23,2 %

    EvalPlus

    Публичная таблицаревизия не подтверждена

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,2781

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • hellaswag

    acc_norm

    Результат

    84,3557

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • unknown

    unknown

    Результат

    7,34

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • gsm8k

    acc · выше — лучше

    Результат

    12,7369

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,4316

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • truthful_qa

    mc2

    Результат

    57,4492

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0287

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • humaneval

    pass@1 · выше — лучше

    Результат

    30 %

    EvalPlus

    Публичная таблицаревизия не подтверждена

  • cais/mmlu

    acc · выше — лучше

    Результат

    61,07

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3925

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • drop

    f1 · выше — лучше

    Результат

    9,6624

    Hugging Face Eval Results

    Отчёт автораревизия не подтверждена

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,495

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Zephyr-7B-β — разговорная языковая модель из серии помощников Zephyr, разработанная HuggingFaceH4. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, дообученная на Mistral-7B-v0.1 методом Direct Preference Optimization (DPO) на синтетических диалогах и предпочтениях ответов. Она принимает текст и генерирует текст; основной язык — английский. Контекстное окно составляет 32 768 токенов.

Модель предназначена для диалогового помощника: она отвечает на вопросы, следует инструкциям и поддерживает многошаговый чат. В опубликованных при выпуске оценках она показывала сильные результаты среди открытых моделей сопоставимого размера, но заметно уступает более крупным системам в сложных задачах программирования и математики. В карточке указано, что модель не прошла этап выравнивания безопасности в RLHF и может выдавать проблемный контент, в том числе по соответствующему запросу. Лицензия — MIT.

Сценарии применения

  • диалог с англоязычным виртуальным помощником
  • ответы на вопросы по заданному контексту
  • составление и редактирование текстов по инструкции
  • многошаговое обсуждение темы в чате
  • создание прототипа чат-бота

Ограничения

Модель может выдавать проблемные или небезопасные ответы, поскольку не проходила этап выравнивания безопасности RLHF. В сложных задачах программирования и математики она уступает более крупным проприетарным моделям.

Для каких профессий подходит9

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 Card for Zephyr 7B β

Zephyr is a series of language models that are trained to act as helpful assistants. Zephyr-7B-β is the second model in the series, and is a fine-tuned version of mistralai/Mistral-7B-v0.1 that was trained on on a mix of publicly available, synthetic datasets using Direct Preference Optimization (DPO). We found that removing the in-built alignment of these datasets boosted performance on MT Bench and made the model more helpful. However, this means that model is likely to generate problematic text when prompted to do so. You can find more details in the technical report.

Model description

  • Model type: A 7B parameter GPT-like model fine-tuned on a mix of publicly available, synthetic datasets.
  • Language(s) (NLP): Primarily English
  • License: MIT
  • Finetuned from model: mistralai/Mistral-7B-v0.1

Model Sources

Performance

At the time of release, Zephyr-7B-β is the highest ranked 7B chat model on the MT-Bench and AlpacaEval benchmarks:

ModelSizeAlignmentMT-Bench (score)AlpacaEval (win rate %)
StableLM-Tuned-α7BdSFT2.75-
MPT-Chat7BdSFT5.42-
Xwin-LMv0.17BdPPO6.1987.83
Mistral-Instructv0.17B-6.84-
Zephyr-7b-α7BdDPO6.88-
Zephyr-7b-β 🪁7BdDPO7.3490.60
Falcon-Instruct40BdSFT5.1745.71
Guanaco65BSFT6.4171.80
Llama2-Chat70BRLHF6.8692.66
Vicuna v1.333BdSFT7.1288.99
WizardLM v1.070BdSFT7.71-
Xwin-LM v0.170BdPPO-95.57
GPT-3.5-turbo-RLHF7.9489.37
Claude 2-RLHF8.0691.36
GPT-4-RLHF8.9995.28

In particular, on several categories of MT-Bench, Zephyr-7B-β has strong performance compared to larger open models like Llama2-Chat-70B:

image/png

However, on more complex tasks like coding and mathematics, Zephyr-7B-β lags behind proprietary models and more research is needed to close the gap.

Intended uses & limitations

The model was initially fine-tuned on a filtered and preprocessed of the UltraChat dataset, which contains a diverse range of synthetic dialogues generated by ChatGPT. We then further aligned the model with 🤗 TRL's DPOTrainer on the openbmb/UltraFeedback dataset, which contains 64k prompts and model completions that are ranked by GPT-4. As a result, the model can be used for chat and you can check out our demo to test its capabilities.

You can find the datasets used for training Zephyr-7B-β here

Here's how you can run the model using the pipeline() function from 🤗 Transformers:

# Install transformers from source - only needed for versions <= v4.34
# pip install git+https://github.com/huggingface/transformers.git
# pip install accelerate

import torch
from transformers import pipeline

pipe = pipeline("text-generation", model="HuggingFaceH4/zephyr-7b-beta", torch_dtype=torch.bfloat16, device_map="auto")

# We use the tokenizer's chat template to format each message - see https://huggingface.co/docs/transformers/main/en/chat_templating
messages = [
    {
        "role": "system",
        "content": "You are a friendly chatbot who always responds in the style of a pirate",
    },
    {"role": "user", "content": "How many helicopters can a human eat in one sitting?"},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])
# <|system|>
# You are a friendly chatbot who always responds in the style of a pirate.</s>
# <|user|>
# How many helicopters can a human eat in one sitting?</s>
# <|assistant|>
# Ah, me hearty matey! But yer question be a puzzler! A human cannot eat a helicopter in one sitting, as helicopters are not edible. They be made of metal, plastic, and other materials, not food!

Bias, Risks, and Limitations

Zephyr-7B-β has not been aligned to human preferences for safety within the RLHF phase or deployed with in-the-loop filtering of responses like ChatGPT, so the model can produce problematic outputs (especially when prompted to do so). It is also unknown what the size and composition of the corpus was used to train the base model (mistralai/Mistral-7B-v0.1), however it is likely to have included a mix of Web data and technical sources like books and code. See the Falcon 180B model card for an example of this.

Training and evaluation data

During DPO training, this model achieves the following results on the evaluation set:

  • Loss: 0.7496
  • Rewards/chosen: -4.5221
  • Rewards/rejected: -8.3184
  • Rewards/accuracies: 0.7812
  • Rewards/margins: 3.7963
  • Logps/rejected: -340.1541
  • Logps/chosen: -299.4561
  • Logits/rejected: -2.3081
  • Logits/chosen: -2.3531

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-07
  • train_batch_size: 2
  • eval_batch_size: 4
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 16
  • total_train_batch_size: 32
  • total_eval_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 3.0

Training results

The table below shows the full set of DPO training metrics:

Training LossEpochStepValidation LossRewards/chosenRewards/rejectedRewards/accuraciesRewards/marginsLogps/rejectedLogps/chosenLogits/rejectedLogits/chosen
0.62840.051000.60980.0425-0.18720.73440.2297-258.8416-253.8099-2.7976-2.8234
0.49080.12000.5426-0.0279-0.68420.750.6563-263.8124-254.5145-2.7719-2.7960
0.52640.153000.53240.0414-0.97930.76561.0207-266.7627-253.8209-2.7892-2.8122
0.55360.214000.4957-0.0185-1.52760.79691.5091-272.2460-254.4203-2.8542-2.8764
0.53620.265000.5031-0.2630-1.59170.78121.3287-272.8869-256.8653-2.8702-2.8958
0.59660.316000.5963-0.2993-1.64910.78121.3499-273.4614-257.2279-2.8778-2.8986
0.50140.367000.5382-0.2859-1.47500.751.1891-271.7204-257.0942-2.7659-2.7869
0.53340.418000.5677-0.4289-1.89680.79691.4679-275.9378-258.5242-2.7053-2.7265
0.52510.469000.5772-0.2116-1.31070.73441.0991-270.0768-256.3507-2.8463-2.8662
0.52050.5210000.5262-0.3792-1.85850.71881.4793-275.5552-258.0276-2.7893-2.7979
0.50940.5711000.5433-0.6279-1.93680.79691.3089-276.3377-260.5136-2.7453-2.7536
0.58370.6212000.5349-0.3780-1.95840.76561.5804-276.5542-258.0154-2.7643-2.7756
0.52140.6713000.5732-1.0055-2.23060.76561.2251-279.2761-264.2903-2.6986-2.7113
0.69140.7214000.5137-0.6912-2.17750.79691.4863-278.7448-261.1467-2.7166-2.7275
0.46550.7715000.5090-0.7987-2.29300.70311.4943-279.8999-262.2220-2.6651-2.6838
0.57310.8316000.5312-0.8253-2.35200.78121.5268-280.4902-262.4876-2.6543-2.6728
0.52330.8817000.5206-0.4573-2.09510.78121.6377-277.9205-258.8084-2.6870-2.7097
0.55930.9318000.5231-0.5508-2.20000.79691.6492-278.9703-259.7433-2.6221-2.6519
0.49670.9819000.5290-0.5340-1.95700.82811.4230-276.5395-259.5749-2.6564-2.6878
0.09211.0320000.5368-1.1376-3.16150.78122.0239-288.5854-265.6111-2.6040-2.6345
0.07331.0821000.5453-1.1045-3.44510.76562.3406-291.4208-265.2799-2.6289-2.6595
0.09721.1422000.5571-1.6915-3.98230.81252.2908-296.7934-271.1505-2.6471-2.6709
0.10581.1923000.5789-1.0621-3.89410.79692.8319-295.9106-264.8563-2.5527-2.5798
0.24231.2424000.5455-1.1963-3.55900.78122.3627-292.5599-266.1981-2.5414-2.5784
0.11771.2925000.5889-1.8141-4.39420.79692.5801-300.9120-272.3761-2.4802-2.5189
0.12131.3426000.5683-1.4608-3.84200.81252.3812-295.3901-268.8436-2.4774-2.5207
0.08891.3927000.5890-1.6007-3.73370.78122.1330-294.3068-270.2423-2.4123-2.4522
0.09951.4528000.6073-1.5519-3.83620.82812.2843-295.3315-269.7538-2.4685-2.5050
0.11451.529000.5790-1.7939-4.28760.84382.4937-299.8461-272.1744-2.4272-2.4674
0.06441.5530000.5735-1.7285-4.20510.81252.4766-299.0209-271.5201-2.4193-2.4574
0.07981.631000.5537-1.7226-4.28500.84382.5624-299.8200-271.4610-2.5367-2.5696
0.10131.6532000.5575-1.5715-3.98130.8752.4098-296.7825-269.9498-2.4926-2.5267
0.12541.733000.5905-1.6412-4.47030.85942.8291-301.6730-270.6473-2.5017-2.5340
0.0851.7634000.6133-1.9159-4.67600.84382.7601-303.7296-273.3941-2.4614-2.4960
0.0651.8135000.6074-1.8237-4.35250.85942.5288-300.4951-272.4724-2.4597-2.5004
0.07551.8636000.5836-1.9252-4.40050.81252.4753-300.9748-273.4872-2.4327-2.4716
0.07461.9137000.5789-1.9280-4.49060.81252.5626-301.8762-273.5149-2.4686-2.5115
0.13481.9638000.6015-1.8658-4.24280.82812.3769-299.3976-272.8936-2.4943-2.5393
0.02172.0139000.6122-2.3335-4.92290.82812.5894-306.1988-277.5699-2.4841-2.5272
0.02192.0740000.6522-2.9890-6.01640.82813.0274-317.1334-284.1248-2.4105-2.4545
0.01192.1241000.6922-3.4777-6.67490.79693.1972-323.7187-289.0121-2.4272-2.4699
0.01532.1742000.6993-3.2406-6.67750.79693.4369-323.7453-286.6413-2.4047-2.4465
0.0112.2243000.7178-3.7991-7.43970.76563.6406-331.3667-292.2260-2.3843-2.4290
0.00722.2744000.6840-3.3269-6.80210.81253.4752-324.9908-287.5042-2.4095-2.4536
0.01972.3245000.7013-3.6890-7.30140.81253.6124-329.9841-291.1250-2.4118-2.4543
0.01822.3746000.7476-3.8994-7.53660.82813.6372-332.3356-293.2291-2.4163-2.4565
0.01252.4347000.7199-4.0560-7.57650.84383.5204-332.7345-294.7952-2.3699-2.4100
0.00822.4848000.7048-3.6613-7.13560.8753.4743-328.3255-290.8477-2.3925-2.4303
0.01182.5349000.6976-3.7908-7.31520.81253.5244-330.1224-292.1431-2.3633-2.4047
0.01182.5850000.7198-3.9049-7.55570.82813.6508-332.5271-293.2844-2.3764-2.4194
0.0062.6351000.7506-4.2118-7.91490.81253.7032-336.1194-296.3530-2.3407-2.3860
0.01432.6852000.7408-4.2433-7.98020.81253.7369-336.7721-296.6682-2.3509-2.3946
0.00572.7453000.7552-4.3392-8.08310.79693.7439-337.8013-297.6275-2.3388-2.3842
0.01382.7954000.7404-4.2395-7.97620.81253.7367-336.7322-296.6304-2.3286-2.3737
0.00792.8455000.7525-4.4466-8.21960.78123.7731-339.1662-298.7007-2.3200-2.3641
0.00772.8956000.7520-4.5586-8.34850.79693.7899-340.4545-299.8206-2.3078-2.3517
0.00942.9457000.7527-4.5542-8.35090.78123.7967-340.4790-299.7773-2.3062-2.3510
0.00542.9958000.7520-4.5169-8.30790.78123.7911-340.0493-299.4038-2.3081-2.3530

Framework versions

  • Transformers 4.35.0.dev0
  • Pytorch 2.0.1+cu118
  • Datasets 2.12.0
  • Tokenizers 0.14.0

Citation

If you find Zephyr-7B-β is useful in your work, please cite it with:

@misc{tunstall2023zephyr,
      title={Zephyr: Direct Distillation of LM Alignment}, 
      author={Lewis Tunstall and Edward Beeching and Nathan Lambert and Nazneen Rajani and Kashif Rasul and Younes Belkada and Shengyi Huang and Leandro von Werra and Clémentine Fourrier and Nathan Habib and Nathan Sarrazin and Omar Sanseviero and Alexander M. Rush and Thomas Wolf},
      year={2023},
      eprint={2310.16944},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

If you use the UltraChat or UltraFeedback datasets, please cite the original works:

@misc{ding2023enhancing,
      title={Enhancing Chat Language Models by Scaling High-quality Instructional Conversations}, 
      author={Ning Ding and Yulin Chen and Bokai Xu and Yujia Qin and Zhi Zheng and Shengding Hu and Zhiyuan Liu and Maosong Sun and Bowen Zhou},
      year={2023},
      eprint={2305.14233},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@misc{cui2023ultrafeedback,
      title={UltraFeedback: Boosting Language Models with High-quality Feedback}, 
      author={Ganqu Cui and Lifan Yuan and Ning Ding and Guanming Yao and Wei Zhu and Yuan Ni and Guotong Xie and Zhiyuan Liu and Maosong Sun},
      year={2023},
      eprint={2310.01377},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.52.15
ARC (25-shot)62.03
HellaSwag (10-shot)84.36
MMLU (5-shot)61.07
TruthfulQA (0-shot)57.45
Winogrande (5-shot)77.74
GSM8K (5-shot)12.74
DROP (3-shot)9.66

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
892b3d7

0 моделей