/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,6 млрд
Размер весов
27 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Опубликована
30 ноя 2023

Llama-2-7b-chat-hf-afr-100step-flan

Генерация текстаТекст → текст3 профессии

Производная модели Korabbit/Llama-2-7b-chat-hf-afr-200step-flan. Экспериментальная англоязычная чат-модель Llama 2, дообученная методом AFR для генерации текста и ответов на инструкции.

65скачиваний за 30 дней0лайковвеса обновлены30 ноя 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

Карточка модели Korabbit/Llama-2-7b-chat-hf-afr-100step-flan на Hugging Face совпадает с карточкой Korabbit/Llama-2-7b-chat-hf-afr-200step-flan, поэтому описание составлено по ней.

Korabbit/Llama-2-7b-chat-hf-afr-200step-flan — экспериментальное дообучение модели Llama 2 Chat методом AFR на наборе sordonia/flan-10k-flat. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для диалоговой генерации текста и ответов на инструкции. В карточке приведён пример ответа на запрос о реализации бинарного поиска на Python; он показывает общий сценарий следования инструкциям, но не подтверждает специализацию модели на программировании. Модель принимает текст и генерирует текст, поддерживает английский язык и использует контекст до 4096 токенов. Доступны веса в формате PyTorch. Указана лицензия Llama 2; применение регулируется её условиями и допустимым использованием Meta.

Сценарии применения

  • ответы на инструкции на английском языке
  • диалоговые ответы на вопросы
  • генерация примеров кода по запросу

Ограничения

Это экспериментальная модель, обученная всего на 200 шагах, поэтому качество и устойчивость ответов могут быть ограничены. Пример с Python в карточке не подтверждает надёжность для программирования.

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

Hi there! this is test my approach "AFR training" The base model used to "Llama-2-7b-chat"

System Prompt: You are a helpful, respectful and honest assistant. Always answer as helpfully as possible, while being safe. Your answers should not include any harmful, unethical, racist, sexist, toxic, dangerous, or illegal content. Please ensure that your responses are socially unbiased and positive in nature. \n If a question does not make any sense, or is not factually coherent, explain why instead of answering something not correct. If you don't know the answer to a question, please don't share false information. Instruction: Implement binary search in python. Response: Sure! Here is an example of how to implement a binary search algorithm in Python:

def binary_search(arr, target):
    # Initialize the index of the target element
    low = 0
    high = len(arr) - 1

    # Loop until the target element is found or the end of the array is reached
    while low <= high:
        # Calculate the middle index of the array
        mid = (low + high) // 2

        # Check if the target element is in the middle index
        if arr[mid] == target:
            return mid

        # If the target element is not in the middle index, check if it is less than the middle index
        if arr[mid] > target:
            low = mid + 1
        else:
            high = mid - 1

    # If the target element is not found in the array, return -1
    return -1

# Test the binary search function
arr = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
target = 5
result = binary_search(arr, target)
print(f"The target element {target} is at index {result}")

This code defines a binary_search function that takes an array and a target element as input, and returns the index of the target element in the array if it is found, or -1 if it is not found.

The function works by iteratively dividing the range of the array into two sub-ranges, one containing elements less than the target, and one containing elements greater than the target. It then checks the middle index of each sub-range to see if the target element is present. If the target element is found, the function returns the index of the middle index. If the target element is not found, the function returns -1.

The code also includes a test case to demonstrate how to use the binary_search function. In this case, the target element is 5, and the function returns the index of the element 5 in the array.

I hope this helps! Let me know if you have any questions.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
1d502ae

0 моделей