/ Модель

Характеристики

Контекст
8 192 токена
Параметры
11 млрд
Размер весов
23 ГБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Библиотека
transformers
Опубликована
19 апр 2024

Llama-3-11B-Instruct-v0.1

Генерация текстаТекст → текст5 профессий

Диалоговая модель семейства Llama на 11 млрд параметров для генерации ответов и текста по инструкциям на английском языке.

41скачиваний за 30 дней7лайковвеса обновлены19 апр 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

MaziyarPanahi/Llama-3-11B-Instruct-v0.1 — диалоговая языковая модель, созданная MaziyarPanahi как self-merge модели Meta-Llama-3-8B-Instruct. Она предназначена для генерации текста в формате беседы: ответов на вопросы, инструкций и запросов к ассистенту. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 11 млрд параметров и использует библиотеку Transformers; доступны веса в формате safetensors. Нативная длина контекста — 8192 токена.

В карточке приведён пример ответа на арифметическую задачу и способ загрузки модели через Transformers. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия следует проверять в материалах репозитория и базовой модели. Это производная модель, заявленная как слияние, хотя метаданные классифицируют связь с базовой моделью как дообучение.

Сценарии применения

  • ответы на вопросы в диалоге с ассистентом
  • генерация текста по инструкциям
  • объяснение решений простых арифметических задач

Ограничения

Карточка не приводит оценок качества или сравнительных тестов; пример арифметики не подтверждает надёжность вычислений. Указание лицензии other не раскрывает конкретных условий использования.

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

Llama-3-11B-Instruct-v0.1

This model is a self-merge of meta-llama/Meta-Llama-3-8B-Instruct model.

How to use

You can use this model by using MaziyarPanahi/Llama-3-11B-Instruct-v0.1 as the model name in Hugging Face's transformers library.

from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
from transformers import pipeline
import torch

model_id = "MaziyarPanahi/Llama-3-11B-Instruct-v0.1"

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto",
    trust_remote_code=True,
    # attn_implementation="flash_attention_2"
)

tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True
)

streamer = TextStreamer(tokenizer)

pipeline = pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    model_kwargs={"torch_dtype": torch.bfloat16},
    streamer=streamer
)

# Then you can use the pipeline to generate text.

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = pipeline(
    prompt,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.95,
)
print(outputs[0]["generated_text"][len(prompt):])

Prompt template

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a helpful assistant.<|eot_id|><|start_header_id|>user<|end_header_id|>

what's 25-4*2+3<|eot_id|><|start_header_id|>assistant<|end_header_id|>

To evaluate this expression, we need to follow the order of operations (PEMDAS):

1. First, multiply 4 and 2: 4*2 = 8
2. Then, subtract 8 from 25: 25 - 8 = 17
3. Finally, add 3: 17 + 3 = 20

So, 25-4*2+3 = 20!<|eot_id|>
To evaluate this expression, we need to follow the order of operations (PEMDAS):

1. First, multiply 4 and 2: 4*2 = 8
2. Then, subtract 8 from 25: 25 - 8 = 17
3. Finally, add 3: 17 + 3 = 20

So, 25-4*2+3 = 20!

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
2f1061f

0 моделей