/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
68,7 млрд
Размер весов
138 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Библиотека
transformers
Опубликована
17 сен 2023

FashionGPT-70B-V1.1

Генерация текстаТекст → текст5 профессий

FashionGPT-70B-V1.1 — объединённая с Llama 2 70B модель для генерации текста и ответов в многоходовых диалогах.

65скачиваний за 30 дней43лайкавеса обновлены22 сен 2023

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

FashionGPT-70B-V1.1 — языковая модель ICBU-NPU на архитектуре Llama 2, созданная объединением нескольких адаптеров с базовой моделью Llama 2 70B. Модель имеет 68,7 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Для обучения адаптеров использовался QLoRA; данные включали наборы OpenOrca, OpenAssistant, Samantha, Airoboros и смеси многоходовых диалогов на английском языке.

Модель предназначена для генерации ответов и ведения многоходовых диалогов, включая инструкции, вопросы и ответы, а также обсуждение распространённых заблуждений. Карточка приводит результаты на ARC, HellaSwag и MMLU. Модель распространяется по лицензии Llama 2. Тестирование, описанное в карточке, проводилось на английском языке; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением в конкретных сценариях модель следует проверить.

Сценарии применения

  • ответы на вопросы на английском языке
  • диалоговый помощник с поддержкой многоходового контекста
  • выполнение текстовых инструкций
  • объяснение и обсуждение распространённых заблуждений

Ограничения

Описанное тестирование проводилось на английском языке. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед развертыванием требуется проверка безопасности для целевого сценария.

Для каких профессий подходит5

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

FashionGPT-V1.1

Introduction

This is a llama-2-70B model combined with multiple adapters via appropriate methods.

Dataset

Here is the list of datasets used:

  • Orca-style 40K dataset. This dataset is a filtered subset of OpenOrca-GPT4 and airoboros-gpt4-1.4.1.
  • Samantha made by Eric Hartford and cleaned by us, about 6.5K samples.
  • oasst1 cleaned by us, containing about 80K samples.
  • Misconception data generated using misconception data generator in airoboros_repo, about 0.5K samples.
  • GPT-4 Multi-turn Conversations. This dataset is a filtered mixture of openchat sharegpt4 and Puffin, containing about 8K samples.

Training

  • We train our adapters with jondurbin's forked QLoRA repo
  • We add multi-turn conversational data support from fastchat, with minor modifications.
  • We use bash shell script similar to airoboros-70b-gpt4-1.4.1 to train our adapters.
  • We combine multiple adapters to llama-2-70B with more novel strategy than our v1 model. The details of combining multiple adapters will be unveiled in our upcoming paper.

Prompt Template

### System:
{System}
### User:
{User}
### Assistant:
{Assistant}

Evaluation

MetricValue
ARC (25-shot)71.76
HellaSwag (10-shot)88.20
MMLU (5-shot)70.99
TruthfulQA (0-shot)65.26
Avg.74.05

license disclaimer

This model is bound by the license & usage restrictions of the original Llama-2 model. And comes with no warranty or gurantees of any kind.

Limitations & Biases

Llama 2 and fine-tuned variants are a new technology that carries risks with use. Testing conducted to date has been in English, and has not covered, nor could it cover all scenarios. For these reasons, as with all LLMs, Llama 2 and any fine-tuned varient's potential outputs cannot be predicted in advance, and the model may in some instances produce inaccurate, biased or other objectionable responses to user prompts. Therefore, before deploying any applications of Llama 2 variants, developers should perform safety testing and tuning tailored to their specific applications of the model.

Please see the Responsible Use Guide available at https://ai.meta.com/llama/responsible-use-guide/

Citiation:

@misc{mukherjee2023orca,
      title={Orca: Progressive Learning from Complex Explanation Traces of GPT-4}, 
      author={Subhabrata Mukherjee and Arindam Mitra and Ganesh Jawahar and Sahaj Agarwal and Hamid Palangi and Ahmed Awadallah},
      year={2023},
      eprint={2306.02707},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}
@article{dettmers2023qlora,
  title={QLoRA: Efficient Finetuning of Quantized LLMs},
  author={Dettmers, Tim and Pagnoni, Artidoro and Holtzman, Ari and Zettlemoyer, Luke},
  journal={arXiv preprint arXiv:2305.14314},
  year={2023}
}
@software{touvron2023llama2,
  title={Llama 2: Open Foundation and Fine-Tuned Chat Models},
  author={Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava,
 Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller,
Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan, Marcin Kardas, Viktor Kerkez Madian Khabsa, Isabel Kloumann,
Artem Korenev, Punit Singh Koura, Marie-Anne Lachaux, Thibaut Lavril, Jenya Lee, Diana Liskovich, Yinghai Lu, Yuning Mao, Xavier Martinet, Todor Mihaylov,
Pushkar Mishra, Igor Molybog, Yixin Nie, Andrew Poulton, Jeremy Reizenstein, Rashi Rungta, Kalyan Saladi, Alan Schelten, Ruan Silva, Eric Michael Smith,
Ranjan Subramanian, Xiaoqing Ellen Tan, Binh Tang, Ross Taylor, Adina Williams, Jian Xiang Kuan, Puxin Xu , Zheng Yan, Iliyan Zarov, Yuchen Zhang, Angela Fan,
Melanie Kambadur, Sharan Narang, Aurelien Rodriguez, Robert Stojnic, Sergey Edunov, Thomas Scialom},
  year={2023}
}
@software{openchat,
  title = {{OpenChat: Advancing Open-source Language Models with Imperfect Data}},
  author = {Wang, Guan and Cheng, Sijie and Yu, Qiying and Liu, Changling},
  doi = {10.5281/zenodo.8105775},
  url = {https://github.com/imoneoi/openchat},
  version = {pre-release},
  year = {2023},
  month = {7},
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
1d27f10

0 моделей