/ Модель
Каталог

Характеристики

Контекст
4 096 токенов
Параметры
3,7 млрд
Размер весов
7,6 ГБ
Лицензия
MIT
Архитектура
phi3 · dense
Базовая модель
Phi-3-mini-4k-instruct
Опубликована
20 авг 2024

Ссылки

Hugging FacearXiv 2410.09019

MedMobile

KrithikV
Генерация текстаТекст → текст3 профессии

MedMobile — дообученная на медицинских данных языковая модель для генерации ответов и диалогов в медицинском контексте.

24скачиваний за 30 дней8лайковвеса обновлены18 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.

Открыть конструктор бенчмарка

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

MedMobile — дообученная модель KrithikV на базе microsoft/Phi-3-mini-4k-instruct, обученная на наборе данных UltraMedical. Это плотная авторегрессионная языковая модель семейства Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации текста в медицинском контексте, например для диалоговых ответов на медицинские вопросы.

В README приведено значение loss 0,7358 на оценочном наборе, но не описаны методика и другие показатели оценки. Модель не следует считать заменой профессиональной медицинской консультации. Лицензия — MIT.

Сценарии применения

  • ответы на медицинские вопросы в текстовом чате
  • черновики объяснений медицинских терминов
  • подготовка текстовых ответов на типовые вопросы о здоровье

Ограничения

README не приводит подробных результатов оценки или описания ограничений; указано только значение loss 0,7358 на оценочном наборе. Ответы модели могут быть неточными и не заменяют профессиональную медицинскую консультацию.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделейI.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MedMobile

Manuscript: https://arxiv.org/abs/2410.09019

This model is a fine-tuned version of microsoft/Phi-3-mini-4k-instruct on the UltraMedical dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7358

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0001
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 32
  • 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

Training results

Training LossEpochStepValidation Loss
0.86560.02252000.7711
0.76150.04514000.7521
0.7480.06766000.7457
0.74650.09028000.7428
0.74680.112710000.7419
0.74340.135212000.7429
0.74670.157814000.7451
0.75080.180316000.7469
0.75050.202918000.7503
0.75410.225420000.7531
0.75590.247922000.7576
0.75920.270524000.7599
0.77290.293026000.7635
0.7720.315628000.7645
0.77070.338130000.7628
0.76160.360632000.7614
0.76320.383234000.7590
0.76130.405736000.7574
0.75810.428338000.7558
0.75830.450840000.7539
0.75090.473342000.7518
0.75590.495944000.7506
0.75230.518446000.7491
0.74610.541048000.7469
0.75040.563550000.7464
0.74860.586052000.7449
0.74540.608654000.7436
0.74510.631156000.7427
0.74310.653758000.7412
0.74380.676260000.7402
0.74710.698762000.7390
0.74160.721364000.7378
0.73450.743866000.7364
0.74370.766368000.7349
0.74310.788970000.7349
0.7370.811472000.7339
0.73580.834074000.7333
0.73360.856576000.7320
0.73270.879078000.7310
0.72880.901680000.7303
0.73260.924182000.7295
0.73540.946784000.7287
0.7310.969286000.7278
0.73170.991788000.7272
0.68091.014390000.7359
0.65481.036892000.7341
0.64631.059494000.7353
0.65161.081996000.7357
0.65441.104498000.7345
0.65581.1270100000.7342
0.65321.1495102000.7331
0.6531.1721104000.7328
0.65831.1946106000.7323
0.65371.2171108000.7326
0.66221.2397110000.7318
0.65961.2622112000.7315
0.65221.2848114000.7304
0.65171.3073116000.7300
0.6571.3298118000.7296
0.65541.3524120000.7286
0.65451.3749122000.7287
0.65561.3975124000.7283
0.6551.4200126000.7294
0.64891.4425128000.7285
0.65391.4651130000.7269
0.6541.4876132000.7273
0.65561.5102134000.7273
0.65291.5327136000.7271
0.65041.5552138000.7264
0.64981.5778140000.7256
0.65171.6003142000.7255
0.6561.6229144000.7252
0.64711.6454146000.7242
0.64851.6679148000.7243
0.65451.6905150000.7242
0.65271.7130152000.7238
0.65041.7356154000.7236
0.64921.7581156000.7229
0.65291.7806158000.7232
0.65071.8032160000.7226
0.6531.8257162000.7229
0.64611.8483164000.7223
0.64531.8708166000.7221
0.65341.8933168000.7219
0.64551.9159170000.7220
0.64851.9384172000.7212
0.65361.9610174000.7214
0.64441.9835176000.7211
0.63462.0060178000.7356
0.59292.0286180000.7368
0.59512.0511182000.7371
0.60132.0736184000.7374
0.60042.0962186000.7375
0.59912.1187188000.7375
0.59712.1413190000.7369
0.5972.1638192000.7380
0.59512.1863194000.7370
0.59162.2089196000.7370
0.59922.2314198000.7372
0.60112.2540200000.7364
0.60032.2765202000.7370
0.60032.2990204000.7370
0.59852.3216206000.7370
0.59882.3441208000.7367
0.59592.3667210000.7370
0.60192.3892212000.7370
0.59772.4117214000.7367
0.6022.4343216000.7368
0.59582.4568218000.7368
0.59692.4794220000.7360
0.60252.5019222000.7362
0.59422.5244224000.7361
0.60062.5470226000.7361
0.59522.5695228000.7366
0.60072.5921230000.7363
0.60032.6146232000.7363
0.60062.6371234000.7359
0.60142.6597236000.7360
0.60082.6822238000.7356
0.60052.7048240000.7357
0.59582.7273242000.7356
0.59772.7498244000.7358
0.62.7724246000.7358
0.59782.7949248000.7362
0.60182.8175250000.7359
0.60792.8400252000.7359
0.60362.8625254000.7359
0.59852.8851256000.7359
0.60192.9076258000.7359
0.59942.9302260000.7358
0.60272.9527262000.7358
0.60142.9752264000.7358
0.59572.9978266000.7358

Framework versions

  • Transformers 4.43.3
  • Pytorch 2.3.1+cu121
  • Datasets 2.20.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Phi3ForCausalLM
Ревизия весов
e44beec

0 моделей

    Создать бенчмарк