Характеристики

Контекст: 32 768 токенов
Параметры: 7,1 млрд
Лицензия: Apache 2.0
Архитектура: mistral · dense
Библиотека: transformers
Опубликована: 12 фев 2024

Ссылки

TheTop-5x7B-Instruct-S3-v0.1

Генерация текстаТекст → текст9 профессий

Текстовая модель Mistral, полученная слиянием нескольких моделей класса 7B, для генерации ответов и диалогов по запросу.

57скачиваний за 30 дней2лайкавеса обновлены4 мар 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

TheTop-5x7B-Instruct-S3-v0.1 — текстовая генеративная модель MaziyarPanahi, созданная слиянием нескольких языковых моделей класса 7B и дополнительным объединением SLERP. Репозиторий содержит веса в формате safetensors; модель основана на архитектуре Mistral и имеет около 7,1 млрд параметров. Для запуска и работы с моделью указана библиотека Transformers.

Модель предназначена для генерации текста по запросу и может использоваться для ответов на вопросы, диалогов и решения широкого круга задач на естественном языке. В карточке приведены результаты оценки на тестах ARC, HellaSwag и MMLU, включая вопросы по естественным и точным наукам, истории и другим областям.

Контекст модели составляет до 32 768 токенов. Карточка не подтверждает поддержку конкретных языков или специализированное назначение. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние нескольких моделей, качество может различаться между задачами; опубликованные оценки не гарантируют точность отдельных ответов.

Сценарии применения

генерация ответов на вопросы
ведение текстового диалога
решение задач на естественном языке
прохождение тестов с вопросами и вариантами ответов

Ограничения

Конкретные поддерживаемые языки в предоставленных данных не перечислены. Результаты тестов не гарантируют достоверность каждого ответа.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Merge of top 7B models and the SLERP of other 7B models

mergekit is a toolkit for merging pre-trained language models. mergekit uses an out-of-core approach to perform unreasonably elaborate merges in resource-constrained situations. Merges can be run entirely on CPU or accelerated with as little as 8 GB of VRAM. Many merging algorithms are supported, with more coming as they catch my attention.

Eval
{

"all": {

    "acc": 0.6571641282160704,
    "acc_stderr": 0.031918970852064334,
    "acc_norm": 0.6561506230894164,
    "acc_norm_stderr": 0.03258982989656136,
    "mc1": 0.4834761321909425,
    "mc1_stderr": 0.017493940190057723,
    "mc2": 0.6447306680251751,
    "mc2_stderr": 0.015519245883344577
},
"harness|arc:challenge|25": {
    "acc": 0.689419795221843,
    "acc_stderr": 0.01352229209805306,
    "acc_norm": 0.7090443686006825,
    "acc_norm_stderr": 0.013273077865907595
},
"harness|hellaswag|10": {
    "acc": 0.7168890659231228,
    "acc_stderr": 0.004495891440519419,
    "acc_norm": 0.8800039832702649,
    "acc_norm_stderr": 0.0032429275808698544
},
"harness|hendrycksTest-abstract_algebra|5": {
    "acc": 0.33,
    "acc_stderr": 0.047258156262526045,
    "acc_norm": 0.33,
    "acc_norm_stderr": 0.047258156262526045
},
"harness|hendrycksTest-anatomy|5": {
    "acc": 0.6370370370370371,
    "acc_stderr": 0.04153948404742398,
    "acc_norm": 0.6370370370370371,
    "acc_norm_stderr": 0.04153948404742398
},
"harness|hendrycksTest-astronomy|5": {
    "acc": 0.7105263157894737,
    "acc_stderr": 0.03690677986137283,
    "acc_norm": 0.7105263157894737,
    "acc_norm_stderr": 0.03690677986137283
},
"harness|hendrycksTest-business_ethics|5": {
    "acc": 0.65,
    "acc_stderr": 0.0479372485441102,
    "acc_norm": 0.65,
    "acc_norm_stderr": 0.0479372485441102
},
"harness|hendrycksTest-clinical_knowledge|5": {
    "acc": 0.6981132075471698,
    "acc_stderr": 0.02825420034443866,
    "acc_norm": 0.6981132075471698,
    "acc_norm_stderr": 0.02825420034443866
},
"harness|hendrycksTest-college_biology|5": {
    "acc": 0.7638888888888888,
    "acc_stderr": 0.03551446610810826,
    "acc_norm": 0.7638888888888888,
    "acc_norm_stderr": 0.03551446610810826
},
"harness|hendrycksTest-college_chemistry|5": {
    "acc": 0.48,
    "acc_stderr": 0.050211673156867795,
    "acc_norm": 0.48,
    "acc_norm_stderr": 0.050211673156867795
},
"harness|hendrycksTest-college_computer_science|5": {
    "acc": 0.56,
    "acc_stderr": 0.049888765156985884,
    "acc_norm": 0.56,
    "acc_norm_stderr": 0.049888765156985884
},
"harness|hendrycksTest-college_mathematics|5": {
    "acc": 0.27,
    "acc_stderr": 0.0446196043338474,
    "acc_norm": 0.27,
    "acc_norm_stderr": 0.0446196043338474
},
"harness|hendrycksTest-college_medicine|5": {
    "acc": 0.6589595375722543,
    "acc_stderr": 0.03614665424180826,
    "acc_norm": 0.6589595375722543,
    "acc_norm_stderr": 0.03614665424180826
},
"harness|hendrycksTest-college_physics|5": {
    "acc": 0.4117647058823529,
    "acc_stderr": 0.048971049527263666,
    "acc_norm": 0.4117647058823529,
    "acc_norm_stderr": 0.048971049527263666
},
"harness|hendrycksTest-computer_security|5": {
    "acc": 0.75,
    "acc_stderr": 0.04351941398892446,
    "acc_norm": 0.75,
    "acc_norm_stderr": 0.04351941398892446
},
"harness|hendrycksTest-conceptual_physics|5": {
    "acc": 0.5787234042553191,
    "acc_stderr": 0.03227834510146268,
    "acc_norm": 0.5787234042553191,
    "acc_norm_stderr": 0.03227834510146268
},
"harness|hendrycksTest-econometrics|5": {
    "acc": 0.5175438596491229,
    "acc_stderr": 0.04700708033551038,
    "acc_norm": 0.5175438596491229,
    "acc_norm_stderr": 0.04700708033551038
},
"harness|hendrycksTest-electrical_engineering|5": {
    "acc": 0.5655172413793104,
    "acc_stderr": 0.04130740879555497,
    "acc_norm": 0.5655172413793104,
    "acc_norm_stderr": 0.04130740879555497
},
"harness|hendrycksTest-elementary_mathematics|5": {
    "acc": 0.4312169312169312,
    "acc_stderr": 0.02550648169813821,
    "acc_norm": 0.4312169312169312,
    "acc_norm_stderr": 0.02550648169813821
},
"harness|hendrycksTest-formal_logic|5": {
    "acc": 0.48412698412698413,
    "acc_stderr": 0.04469881854072606,
    "acc_norm": 0.48412698412698413,
    "acc_norm_stderr": 0.04469881854072606
},
"harness|hendrycksTest-global_facts|5": {
    "acc": 0.33,
    "acc_stderr": 0.04725815626252604,
    "acc_norm": 0.33,
    "acc_norm_stderr": 0.04725815626252604
},
"harness|hendrycksTest-high_school_biology|5": {
    "acc": 0.7838709677419354,
    "acc_stderr": 0.02341529343356853,
    "acc_norm": 0.7838709677419354,
    "acc_norm_stderr": 0.02341529343356853
},
"harness|hendrycksTest-high_school_chemistry|5": {
    "acc": 0.4975369458128079,
    "acc_stderr": 0.03517945038691063,
    "acc_norm": 0.4975369458128079,
    "acc_norm_stderr": 0.03517945038691063
},
"harness|hendrycksTest-high_school_computer_science|5": {
    "acc": 0.67,
    "acc_stderr": 0.04725815626252607,
    "acc_norm": 0.67,
    "acc_norm_stderr": 0.04725815626252607
},
"harness|hendrycksTest-high_school_european_history|5": {
    "acc": 0.7878787878787878,
    "acc_stderr": 0.031922715695483,
    "acc_norm": 0.7878787878787878,
    "acc_norm_stderr": 0.031922715695483
},
"harness|hendrycksTest-high_school_geography|5": {
    "acc": 0.7929292929292929,
    "acc_stderr": 0.028869778460267045,
    "acc_norm": 0.7929292929292929,
    "acc_norm_stderr": 0.028869778460267045
},
"harness|hendrycksTest-high_school_government_and_politics|5": {
    "acc": 0.9015544041450777,
    "acc_stderr": 0.021500249576033456,
    "acc_norm": 0.9015544041450777,
    "acc_norm_stderr": 0.021500249576033456
},
"harness|hendrycksTest-high_school_macroeconomics|5": {
    "acc": 0.6666666666666666,
    "acc_stderr": 0.023901157979402534,
    "acc_norm": 0.6666666666666666,
    "acc_norm_stderr": 0.023901157979402534
},
"harness|hendrycksTest-high_school_mathematics|5": {
    "acc": 0.34814814814814815,
    "acc_stderr": 0.029045600290616255,
    "acc_norm": 0.34814814814814815,
    "acc_norm_stderr": 0.029045600290616255
},
"harness|hendrycksTest-high_school_microeconomics|5": {
    "acc": 0.680672268907563,
    "acc_stderr": 0.030283995525884396,
    "acc_norm": 0.680672268907563,
    "acc_norm_stderr": 0.030283995525884396
},
"harness|hendrycksTest-high_school_physics|5": {
    "acc": 0.33112582781456956,
    "acc_stderr": 0.038425817186598696,
    "acc_norm": 0.33112582781456956,
    "acc_norm_stderr": 0.038425817186598696
},
"harness|hendrycksTest-high_school_psychology|5": {
    "acc": 0.8385321100917431,
    "acc_stderr": 0.015776239256163224,
    "acc_norm": 0.8385321100917431,
    "acc_norm_stderr": 0.015776239256163224
},
"harness|hendrycksTest-high_school_statistics|5": {
    "acc": 0.5138888888888888,
    "acc_stderr": 0.03408655867977749,
    "acc_norm": 0.5138888888888888,
    "acc_norm_stderr": 0.03408655867977749
},
"harness|hendrycksTest-high_school_us_history|5": {
    "acc": 0.8578431372549019,
    "acc_stderr": 0.024509803921568603,
    "acc_norm": 0.8578431372549019,
    "acc_norm_stderr": 0.024509803921568603
},
"harness|hendrycksTest-high_school_world_history|5": {
    "acc": 0.8143459915611815,
    "acc_stderr": 0.025310495376944856,
    "acc_norm": 0.8143459915611815,
    "acc_norm_stderr": 0.025310495376944856
},
"harness|hendrycksTest-human_aging|5": {
    "acc": 0.6860986547085202,
    "acc_stderr": 0.031146796482972465,
    "acc_norm": 0.6860986547085202,
    "acc_norm_stderr": 0.031146796482972465
},
"harness|hendrycksTest-human_sexuality|5": {
    "acc": 0.7862595419847328,
    "acc_stderr": 0.0359546161177469,
    "acc_norm": 0.7862595419847328,
    "acc_norm_stderr": 0.0359546161177469
},
"harness|hendrycksTest-international_law|5": {
    "acc": 0.8099173553719008,
    "acc_stderr": 0.03581796951709282,
    "acc_norm": 0.8099173553719008,
    "acc_norm_stderr": 0.03581796951709282
},
"harness|hendrycksTest-jurisprudence|5": {
    "acc": 0.7962962962962963,
    "acc_stderr": 0.03893542518824847,
    "acc_norm": 0.7962962962962963,
    "acc_norm_stderr": 0.03893542518824847
},
"harness|hendrycksTest-logical_fallacies|5": {
    "acc": 0.7730061349693251,
    "acc_stderr": 0.03291099578615769,
    "acc_norm": 0.7730061349693251,
    "acc_norm_stderr": 0.03291099578615769
},
"harness|hendrycksTest-machine_learning|5": {
    "acc": 0.5,
    "acc_stderr": 0.04745789978762494,
    "acc_norm": 0.5,
    "acc_norm_stderr": 0.04745789978762494
},
"harness|hendrycksTest-management|5": {
    "acc": 0.7961165048543689,
    "acc_stderr": 0.03989139859531771,
    "acc_norm": 0.7961165048543689,
    "acc_norm_stderr": 0.03989139859531771
},
"harness|hendrycksTest-marketing|5": {
    "acc": 0.8760683760683761,
    "acc_stderr": 0.02158649400128137,
    "acc_norm": 0.8760683760683761,
    "acc_norm_stderr": 0.02158649400128137
},
"harness|hendrycksTest-medical_genetics|5": {
    "acc": 0.73,
    "acc_stderr": 0.0446196043338474,
    "acc_norm": 0.73,
    "acc_norm_stderr": 0.0446196043338474
},
"harness|hendrycksTest-miscellaneous|5": {
    "acc": 0.8288633461047255,
    "acc_stderr": 0.013468201614066307,
    "acc_norm": 0.8288633461047255,
    "acc_norm_stderr": 0.013468201614066307
},
"harness|hendrycksTest-moral_disputes|5": {
    "acc": 0.7514450867052023,
    "acc_stderr": 0.023267528432100174,
    "acc_norm": 0.7514450867052023,
    "acc_norm_stderr": 0.023267528432100174
},
"harness|hendrycksTest-moral_scenarios|5": {
    "acc": 0.4480446927374302,
    "acc_stderr": 0.016631976628930595,
    "acc_norm": 0.4480446927374302,
    "acc_norm_stderr": 0.016631976628930595
},
"harness|hendrycksTest-nutrition|5": {
    "acc": 0.7320261437908496,
    "acc_stderr": 0.025360603796242553,
    "acc_norm": 0.7320261437908496,
    "acc_norm_stderr": 0.025360603796242553
},
"harness|hendrycksTest-philosophy|5": {
    "acc": 0.707395498392283,
    "acc_stderr": 0.02583989833487798,
    "acc_norm": 0.707395498392283,
    "acc_norm_stderr": 0.02583989833487798
},
"harness|hendrycksTest-prehistory|5": {
    "acc": 0.7530864197530864,
    "acc_stderr": 0.023993501709042107,
    "acc_norm": 0.7530864197530864,
    "acc_norm_stderr": 0.023993501709042107
},
"harness|hendrycksTest-professional_accounting|5": {
    "acc": 0.4787234042553192,
    "acc_stderr": 0.029800481645628693,
    "acc_norm": 0.4787234042553192,
    "acc_norm_stderr": 0.029800481645628693
},
"harness|hendrycksTest-professional_law|5": {
    "acc": 0.4791395045632334,
    "acc_stderr": 0.012759117066518015,
    "acc_norm": 0.4791395045632334,
    "acc_norm_stderr": 0.012759117066518015
},
"harness|hendrycksTest-professional_medicine|5": {
    "acc": 0.7058823529411765,
    "acc_stderr": 0.02767846864214472,
    "acc_norm": 0.7058823529411765,
    "acc_norm_stderr": 0.02767846864214472
},
"harness|hendrycksTest-professional_psychology|5": {
    "acc": 0.6862745098039216,
    "acc_stderr": 0.018771683893528176,
    "acc_norm": 0.6862745098039216,
    "acc_norm_stderr": 0.018771683893528176
},
"harness|hendrycksTest-public_relations|5": {
    "acc": 0.6818181818181818,
    "acc_stderr": 0.04461272175910509,
    "acc_norm": 0.6818181818181818,
    "acc_norm_stderr": 0.04461272175910509
},
"harness|hendrycksTest-security_studies|5": {
    "acc": 0.7346938775510204,
    "acc_stderr": 0.028263889943784603,
    "acc_norm": 0.7346938775510204,
    "acc_norm_stderr": 0.028263889943784603
},
"harness|hendrycksTest-sociology|5": {
    "acc": 0.835820895522388,
    "acc_stderr": 0.026193923544454115,
    "acc_norm": 0.835820895522388,
    "acc_norm_stderr": 0.026193923544454115
},
"harness|hendrycksTest-us_foreign_policy|5": {
    "acc": 0.85,
    "acc_stderr": 0.03588702812826371,
    "acc_norm": 0.85,
    "acc_norm_stderr": 0.03588702812826371
},
"harness|hendrycksTest-virology|5": {
    "acc": 0.5481927710843374,
    "acc_stderr": 0.03874371556587953,
    "acc_norm": 0.5481927710843374,
    "acc_norm_stderr": 0.03874371556587953
},
"harness|hendrycksTest-world_religions|5": {
    "acc": 0.8362573099415205,
    "acc_stderr": 0.028380919596145866,
    "acc_norm": 0.8362573099415205,
    "acc_norm_stderr": 0.028380919596145866
},
"harness|truthfulqa:mc|0": {
    "mc1": 0.4834761321909425,
    "mc1_stderr": 0.017493940190057723,
    "mc2": 0.6447306680251751,
    "mc2_stderr": 0.015519245883344577
},
"harness|winogrande|5": {
    "acc": 0.8366219415943172,
    "acc_stderr": 0.010390695970273764
},
"harness|gsm8k|5": {
    "acc": 0.7202426080363912,
    "acc_stderr": 0.012364384016735319
}

}

# [Open LLM Leaderboard Evaluation Results](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)
Detailed results can be found [here](https://huggingface.co/datasets/open-llm-leaderboard/details_MaziyarPanahi__TheTop-5x7B-Instruct-S3-v0.1)

|             Metric              |Value|
|---------------------------------|----:|
|Avg.                             |74.03|
|AI2 Reasoning Challenge (25-Shot)|70.90|
|HellaSwag (10-Shot)              |88.00|
|MMLU (5-Shot)                    |65.13|
|TruthfulQA (0-shot)              |64.47|
|Winogrande (5-shot)              |83.66|
|GSM8k (5-shot)                   |72.02|

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: MistralForCausalLM
Ревизия весов: 79adec6