/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
32,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
29 ноя 2024

Auto-RAG-Llama-3-8B-Instruct

Генерация текстаТекст → текст4 профессии

Дообученная Llama 3 нацелена на итеративное извлечение информации и генерацию ответов в RAG-сценариях.

32скачиваний за 30 дней6лайковвеса обновлены2 янв 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 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

Auto-RAG — языковая модель ICTNLP Group, разработанная Tian Yu, Shaolei Zhang и Yang Feng. Это дообученная версия Meta-Llama-3-8B-Instruct, обученная на синтетических инструкциях для итеративного извлечения информации и генерации с поиском (RAG). Модель предназначена для диалоговых сценариев, где ответ строится с помощью последовательного поиска и использования найденных сведений.

Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. В README указана возможность развёртывания через vLLM. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по найденным документам
  • многошаговый поиск источников для подготовки ответа
  • диалоговая генерация с использованием извлечённой информации

Ограничения

README не приводит количественных оценок качества или списка языков; результат RAG зависит от настроенной системы извлечения и передаваемых модели сведений.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Auto-RAG: Autonomous Retrieval-Augmented Generation for Large Language models

Tian Yu, Shaolei Zhang, and Yang Feng*

Model Details

  • Discription: This is Auto-RAG model trained with synthesized iterative retrieval instruction data. Details can be found in our paper.
  • Developed by: ICTNLP Group. Authors: Tian Yu, Shaolei Zhang and Yang Feng.
  • Github Repository: https://github.com/ictnlp/Auto-RAG
  • Paper Link: https://arxiv.org/abs/2411.19443
  • Finetuned from model: Meta-Llama3-8B-Instruct

Uses

You can directly deploy the model using vllm, such as:

CUDA_VISIBLE_DEVICES=6,7 python -m vllm.entrypoints.openai.api_server \
    --model PATH_TO_MODEL\
    --gpu-memory-utilization 0.9 \
    -tp 2 \
    --max-model-len 8192\
    --port 8000\
    --host 0.0.0.0

Citation

@article{yu2024autorag,
      title={Auto-RAG: Autonomous Retrieval-Augmented Generation for Large Language Models}, 
      author={Tian Yu and Shaolei Zhang and Yang Feng},
      year={2024},
      eprint={2411.19443},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2411.19443}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
b531996

0 моделей