/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
351 млн
Лицензия
OpenRAIL
Архитектура
mistral · dense
Опубликована
26 июл 2024

Bamboo-400M

Генерация текстаТекст → текст3 профессии

Незавершённая базовая языковая модель Mistral примерно на 350,7 млн параметров для генерации и продолжения преимущественно англоязычного текста.

533скачиваний за 30 дней0лайковвеса обновлены25 дек 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 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

Bamboo-400M — базовая языковая модель семейства Mistral от KoalaAI, представленная как незавершённая работа. Это плотная авторегрессионная модель с примерно 350,7 млн параметров, обученная на открытых наборах данных, главным образом на английском тексте. В метаданных указан контекст до 32 768 токенов; токенизатор обучен с нуля на выборке OpenWebText и использует класс LlamaTokenizerFast.

Модель предназначена для продолжения текста и экспериментов с базовой генеративной моделью. Среди указанных в метаданных обучающих данных — OpenWebText, набор инструкций по математике и данные о производительности решений задач LeetCode, однако README не подтверждает специализированные возможности для математики или программирования. Разработчик описывает обучение как продолжающееся; сообщаемые в карточке тесты показывают невысокие результаты на приведённых бенчмарках, поэтому качество ответов следует проверять для конкретной задачи.

Лицензия — OpenRAIL. README называет исходные обучающие данные общественным достоянием (CC0); это утверждение о данных не заменяет условия лицензии самой модели.

Сценарии применения

  • продолжение англоязычного текста
  • эксперименты с небольшой базовой языковой моделью
  • исследование токенизации на текстах OpenWebText

Ограничения

Модель описана как незавершённая работа с продолжающимся предварительным обучением; README приводит сравнительно низкие результаты на нескольких бенчмарках. Она обучалась преимущественно на английском языке, а качество на других языках не установлено.

Для каких профессий подходит3

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

Bamboo 400M

This is a WIP foundational (aka base) model trained only on public domain (CC0) datasets, primarily in the English language.
Further training is planned & ongoing, but currently no multi-language datasets are in use or planned; though this may change in the future and the current datasets can contain languages other than English.

License

Though the training data of this model is CC0, the model itself is not. The model is released under the OpenRAIL license, as tagged.

Planned updates

As mentioned, a few updates are planned:

  • Further training on more CC0 data, this model's weights will be updated as we pretrain on more of the listed datasets.
  • Experiment with extending the context length using YaRN to 32k tokens.
  • Fine-tuning the resulting model for instruct, code and storywriting. These will then be combined using MergeKit to create a MoE model.
  • Release a GGUF version and an extended context version of the base model

Other model versions

  • None yet

Model Performance Tracking

This table tracks the performance of our model on various tasks over time. The metric used is 'acc'.

Date (YYYY-MM-DD)arc_easyhellaswagsglue_rtetruthfulqaAvg
2024-07-30-228.91% ± 0.94%25.32% ± 0.43%50.54% ± 3.01%41.31% ± 1.16%36.52%
2024-07-3029.50% ± 0.94%25.36% ± 0.43%50.54% ± 3.01%41.07% ± 1.16%36.60%
2024-07-2932.24% ± 0.96%25.74% ± 0.44%47.29% ± 3.01%39.91% ± 1.11%36.30%
2024-07-2727.40% ± 0.92%25.52% ± 0.44%52.71% ± 3.01%39.52% ± 1.11%36.29%

Legend

  • Date: The date of the model that the evaluation was run on. Pretraining is ongoing and tests are re-run with that date's model.
  • Metric: The evaluation metric used (acc = accuracy)
  • Task columns: Results for each task in the format "Percentage ± Standard Error"

Notes

  • All accuracy values are presented as percentages
  • Empty cells indicate that the task was not evaluated on that date or for that metric
  • Standard errors are also converted to percentages for consistency

Tokenizer

Our tokenizer was trained from scratch on 500,000 samples from the Openwebtext dataset. Like Mistral, we use the LlamaTokenizerFast as our tokenizer class; in legacy mode.

Tokenization Analysis

The histogram below illustrates the distribution of token counts per sample in our Mistral tokenizer, trained on 500,000 samples. This analysis provides insights into the tokenizer's behavior and its ability to handle various sentence lengths. The histogram was created using 10,000 samples of tokenization.

Token Distribution Histogram

Key Observations:

  • Broad Range: The tokenizer effectively handles a wide range of sentence lengths, with token counts spanning from 1 to over 50.
  • Smooth Distribution: The distribution is relatively smooth, indicating consistent tokenization across different sentence lengths.
  • Short Sequence Preference: Most sequences fall below 20 tokens, aligning with the efficiency goals of Mistral models.
  • Peak at 7 Tokens: A peak around 7 tokens suggests the tokenizer might have a preference for splitting sentences at this length. This could be investigated further if preserving longer contexts is a priority.

Overall: The tokenizer demonstrates a balanced approach, predominantly producing shorter sequences while still accommodating longer and more complex sentences. This balance promotes both computational efficiency and the ability to capture meaningful context.

Further Analysis: While the tokenizer performs well overall, further analysis of the peak at 7 tokens and the lower frequency of very short sequences (1-3 tokens) could provide additional insights into its behavior and potential areas for refinement.

Theory On 7-token peak: Since English sentences have an average of 15-20 words, our tokenizer may be splitting them into 7-9 tokens, which would possibly explain this peak.

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
108853a

0 моделей