Характеристики

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

Ссылки

Hugging Face

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

MaziyarPanahi

Генерация текстаТекст → текст11 профессий

Слитая методом TIES модель на архитектуре Mistral для генерации текста и инструкционного диалога.

65скачиваний за 30 дней3лайкавеса 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-T-v0.1 — языковая модель MaziyarPanahi, полученная слиянием пяти моделей примерно по 7 млрд параметров методом TIES. Она предназначена для генерации текста и инструкционного диалога. Модель построена на архитектуре Mistral, распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов.

В карточке приведены результаты Open LLM Leaderboard, включая оценки на тестах AI2 Reasoning Challenge и HellaSwag. Модель можно применять для ответов на запросы, составления и преобразования текста, а также задач рассуждения в диалоге. Лицензия Apache-2.0 разрешает использование на её условиях. README не уточняет языковой охват и конкретный состав моделей, вошедших в слияние.

Сценарии применения

ответы на вопросы в диалоге
генерация текста по инструкциям
составление черновиков и кратких текстов
переформулирование и редактирование текста
решение задач на рассуждение

Ограничения

README не уточняет поддерживаемые языки и состав исходных моделей, объединённых при слиянии.

Для каких профессий подходит11

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 with TIES method

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

image/png

{
    "all": {
        "acc": 0.6487801278765712,
        "acc_stderr": 0.03219011246717665,
        "acc_norm": 0.6479445077777353,
        "acc_norm_stderr": 0.032868022907407396,
        "mc1": 0.5862913096695227,
        "mc1_stderr": 0.0172408618120998,
        "mc2": 0.7078078883926877,
        "mc2_stderr": 0.015097515102384168
    },
    "harness|arc:challenge|25": {
        "acc": 0.7167235494880546,
        "acc_stderr": 0.013167478735134575,
        "acc_norm": 0.7363481228668942,
        "acc_norm_stderr": 0.012875929151297044
    },
    "harness|hellaswag|10": {
        "acc": 0.7321250746863175,
        "acc_stderr": 0.004419469983939178,
        "acc_norm": 0.8884684325831508,
        "acc_norm_stderr": 0.0031414591751392717
    },
    "harness|hendrycksTest-abstract_algebra|5": {
        "acc": 0.31,
        "acc_stderr": 0.04648231987117316,
        "acc_norm": 0.31,
        "acc_norm_stderr": 0.04648231987117316
    },
    "harness|hendrycksTest-anatomy|5": {
        "acc": 0.6518518518518519,
        "acc_stderr": 0.041153246103369526,
        "acc_norm": 0.6518518518518519,
        "acc_norm_stderr": 0.041153246103369526
    },
    "harness|hendrycksTest-astronomy|5": {
        "acc": 0.7039473684210527,
        "acc_stderr": 0.03715062154998904,
        "acc_norm": 0.7039473684210527,
        "acc_norm_stderr": 0.03715062154998904
    },
    "harness|hendrycksTest-business_ethics|5": {
        "acc": 0.61,
        "acc_stderr": 0.04902071300001975,
        "acc_norm": 0.61,
        "acc_norm_stderr": 0.04902071300001975
    },
    "harness|hendrycksTest-clinical_knowledge|5": {
        "acc": 0.7132075471698113,
        "acc_stderr": 0.02783491252754407,
        "acc_norm": 0.7132075471698113,
        "acc_norm_stderr": 0.02783491252754407
    },
    "harness|hendrycksTest-college_biology|5": {
        "acc": 0.75,
        "acc_stderr": 0.03621034121889507,
        "acc_norm": 0.75,
        "acc_norm_stderr": 0.03621034121889507
    },
    "harness|hendrycksTest-college_chemistry|5": {
        "acc": 0.46,
        "acc_stderr": 0.05009082659620333,
        "acc_norm": 0.46,
        "acc_norm_stderr": 0.05009082659620333
    },
    "harness|hendrycksTest-college_computer_science|5": {
        "acc": 0.55,
        "acc_stderr": 0.05,
        "acc_norm": 0.55,
        "acc_norm_stderr": 0.05
    },
    "harness|hendrycksTest-college_mathematics|5": {
        "acc": 0.3,
        "acc_stderr": 0.046056618647183814,
        "acc_norm": 0.3,
        "acc_norm_stderr": 0.046056618647183814
    },
    "harness|hendrycksTest-college_medicine|5": {
        "acc": 0.6589595375722543,
        "acc_stderr": 0.036146654241808254,
        "acc_norm": 0.6589595375722543,
        "acc_norm_stderr": 0.036146654241808254
    },
    "harness|hendrycksTest-college_physics|5": {
        "acc": 0.43137254901960786,
        "acc_stderr": 0.04928099597287534,
        "acc_norm": 0.43137254901960786,
        "acc_norm_stderr": 0.04928099597287534
    },
    "harness|hendrycksTest-computer_security|5": {
        "acc": 0.77,
        "acc_stderr": 0.04229525846816506,
        "acc_norm": 0.77,
        "acc_norm_stderr": 0.04229525846816506
    },
    "harness|hendrycksTest-conceptual_physics|5": {
        "acc": 0.548936170212766,
        "acc_stderr": 0.032529096196131965,
        "acc_norm": 0.548936170212766,
        "acc_norm_stderr": 0.032529096196131965
    },
    "harness|hendrycksTest-econometrics|5": {
        "acc": 0.49122807017543857,
        "acc_stderr": 0.04702880432049615,
        "acc_norm": 0.49122807017543857,
        "acc_norm_stderr": 0.04702880432049615
    },
    "harness|hendrycksTest-electrical_engineering|5": {
        "acc": 0.5517241379310345,
        "acc_stderr": 0.04144311810878152,
        "acc_norm": 0.5517241379310345,
        "acc_norm_stderr": 0.04144311810878152
    },
    "harness|hendrycksTest-elementary_mathematics|5": {
        "acc": 0.4126984126984127,
        "acc_stderr": 0.025355741263055277,
        "acc_norm": 0.4126984126984127,
        "acc_norm_stderr": 0.025355741263055277
    },
    "harness|hendrycksTest-formal_logic|5": {
        "acc": 0.49206349206349204,
        "acc_stderr": 0.044715725362943486,
        "acc_norm": 0.49206349206349204,
        "acc_norm_stderr": 0.044715725362943486
    },
    "harness|hendrycksTest-global_facts|5": {
        "acc": 0.35,
        "acc_stderr": 0.047937248544110196,
        "acc_norm": 0.35,
        "acc_norm_stderr": 0.047937248544110196
    },
    "harness|hendrycksTest-high_school_biology|5": {
        "acc": 0.7967741935483871,
        "acc_stderr": 0.02289168798455496,
        "acc_norm": 0.7967741935483871,
        "acc_norm_stderr": 0.02289168798455496
    },
    "harness|hendrycksTest-high_school_chemistry|5": {
        "acc": 0.5024630541871922,
        "acc_stderr": 0.035179450386910616,
        "acc_norm": 0.5024630541871922,
        "acc_norm_stderr": 0.035179450386910616
    },
    "harness|hendrycksTest-high_school_computer_science|5": {
        "acc": 0.7,
        "acc_stderr": 0.046056618647183814,
        "acc_norm": 0.7,
        "acc_norm_stderr": 0.046056618647183814
    },
    "harness|hendrycksTest-high_school_european_history|5": {
        "acc": 0.7575757575757576,
        "acc_stderr": 0.03346409881055953,
        "acc_norm": 0.7575757575757576,
        "acc_norm_stderr": 0.03346409881055953
    },
    "harness|hendrycksTest-high_school_geography|5": {
        "acc": 0.803030303030303,
        "acc_stderr": 0.028335609732463362,
        "acc_norm": 0.803030303030303,
        "acc_norm_stderr": 0.028335609732463362
    },
    "harness|hendrycksTest-high_school_government_and_politics|5": {
        "acc": 0.9067357512953368,
        "acc_stderr": 0.020986854593289733,
        "acc_norm": 0.9067357512953368,
        "acc_norm_stderr": 0.020986854593289733
    },
    "harness|hendrycksTest-high_school_macroeconomics|5": {
        "acc": 0.6487179487179487,
        "acc_stderr": 0.024203665177902803,
        "acc_norm": 0.6487179487179487,
        "acc_norm_stderr": 0.024203665177902803
    },
    "harness|hendrycksTest-high_school_mathematics|5": {
        "acc": 0.3333333333333333,
        "acc_stderr": 0.02874204090394848,
        "acc_norm": 0.3333333333333333,
        "acc_norm_stderr": 0.02874204090394848
    },
    "harness|hendrycksTest-high_school_microeconomics|5": {
        "acc": 0.6554621848739496,
        "acc_stderr": 0.03086868260412162,
        "acc_norm": 0.6554621848739496,
        "acc_norm_stderr": 0.03086868260412162
    },
    "harness|hendrycksTest-high_school_physics|5": {
        "acc": 0.32450331125827814,
        "acc_stderr": 0.038227469376587525,
        "acc_norm": 0.32450331125827814,
        "acc_norm_stderr": 0.038227469376587525
    },
    "harness|hendrycksTest-high_school_psychology|5": {
        "acc": 0.8403669724770643,
        "acc_stderr": 0.015703498348461763,
        "acc_norm": 0.8403669724770643,
        "acc_norm_stderr": 0.015703498348461763
    },
    "harness|hendrycksTest-high_school_statistics|5": {
        "acc": 0.5046296296296297,
        "acc_stderr": 0.03409825519163572,
        "acc_norm": 0.5046296296296297,
        "acc_norm_stderr": 0.03409825519163572
    },
    "harness|hendrycksTest-high_school_us_history|5": {
        "acc": 0.8235294117647058,
        "acc_stderr": 0.026756401538078962,
        "acc_norm": 0.8235294117647058,
        "acc_norm_stderr": 0.026756401538078962
    },
    "harness|hendrycksTest-high_school_world_history|5": {
        "acc": 0.7721518987341772,
        "acc_stderr": 0.02730348459906944,
        "acc_norm": 0.7721518987341772,
        "acc_norm_stderr": 0.02730348459906944
    },
    "harness|hendrycksTest-human_aging|5": {
        "acc": 0.6816143497757847,
        "acc_stderr": 0.03126580522513713,
        "acc_norm": 0.6816143497757847,
        "acc_norm_stderr": 0.03126580522513713
    },
    "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": 0.7851239669421488,
        "acc_stderr": 0.037494924487096966,
        "acc_norm": 0.7851239669421488,
        "acc_norm_stderr": 0.037494924487096966
    },
    "harness|hendrycksTest-jurisprudence|5": {
        "acc": 0.7777777777777778,
        "acc_stderr": 0.0401910747255735,
        "acc_norm": 0.7777777777777778,
        "acc_norm_stderr": 0.0401910747255735
    },
    "harness|hendrycksTest-logical_fallacies|5": {
        "acc": 0.7423312883435583,
        "acc_stderr": 0.03436150827846917,
        "acc_norm": 0.7423312883435583,
        "acc_norm_stderr": 0.03436150827846917
    },
    "harness|hendrycksTest-machine_learning|5": {
        "acc": 0.42857142857142855,
        "acc_stderr": 0.04697113923010212,
        "acc_norm": 0.42857142857142855,
        "acc_norm_stderr": 0.04697113923010212
    },
    "harness|hendrycksTest-management|5": {
        "acc": 0.7475728155339806,
        "acc_stderr": 0.04301250399690878,
        "acc_norm": 0.7475728155339806,
        "acc_norm_stderr": 0.04301250399690878
    },
    "harness|hendrycksTest-marketing|5": {
        "acc": 0.8846153846153846,
        "acc_stderr": 0.02093019318517933,
        "acc_norm": 0.8846153846153846,
        "acc_norm_stderr": 0.02093019318517933
    },
    "harness|hendrycksTest-medical_genetics|5": {
        "acc": 0.7,
        "acc_stderr": 0.046056618647183814,
        "acc_norm": 0.7,
        "acc_norm_stderr": 0.046056618647183814
    },
    "harness|hendrycksTest-miscellaneous|5": {
        "acc": 0.80970625798212,
        "acc_stderr": 0.014036945850381396,
        "acc_norm": 0.80970625798212,
        "acc_norm_stderr": 0.014036945850381396
    },
    "harness|hendrycksTest-moral_disputes|5": {
        "acc": 0.7369942196531792,
        "acc_stderr": 0.023703099525258172,
        "acc_norm": 0.7369942196531792,
        "acc_norm_stderr": 0.023703099525258172
    },
    "harness|hendrycksTest-moral_scenarios|5": {
        "acc": 0.47150837988826816,
        "acc_stderr": 0.016695329746015796,
        "acc_norm": 0.47150837988826816,
        "acc_norm_stderr": 0.016695329746015796
    },
    "harness|hendrycksTest-nutrition|5": {
        "acc": 0.7189542483660131,
        "acc_stderr": 0.025738854797818733,
        "acc_norm": 0.7189542483660131,
        "acc_norm_stderr": 0.025738854797818733
    },
    "harness|hendrycksTest-philosophy|5": {
        "acc": 0.7170418006430869,
        "acc_stderr": 0.025583062489984813,
        "acc_norm": 0.7170418006430869,
        "acc_norm_stderr": 0.025583062489984813
    },
    "harness|hendrycksTest-prehistory|5": {
        "acc": 0.7407407407407407,
        "acc_stderr": 0.024383665531035457,
        "acc_norm": 0.7407407407407407,
        "acc_norm_stderr": 0.024383665531035457
    },
    "harness|hendrycksTest-professional_accounting|5": {
        "acc": 0.475177304964539,
        "acc_stderr": 0.029790719243829727,
        "acc_norm": 0.475177304964539,
        "acc_norm_stderr": 0.029790719243829727
    },
    "harness|hendrycksTest-professional_law|5": {
        "acc": 0.470013037809648,
        "acc_stderr": 0.01274724896707906,
        "acc_norm": 0.470013037809648,
        "acc_norm_stderr": 0.01274724896707906
    },
    "harness|hendrycksTest-professional_medicine|5": {
        "acc": 0.6691176470588235,
        "acc_stderr": 0.028582709753898445,
        "acc_norm": 0.6691176470588235,
        "acc_norm_stderr": 0.028582709753898445
    },
    "harness|hendrycksTest-professional_psychology|5": {
        "acc": 0.6584967320261438,
        "acc_stderr": 0.019184639328092487,
        "acc_norm": 0.6584967320261438,
        "acc_norm_stderr": 0.019184639328092487
    },
    "harness|hendrycksTest-public_relations|5": {
        "acc": 0.6818181818181818,
        "acc_stderr": 0.044612721759105085,
        "acc_norm": 0.6818181818181818,
        "acc_norm_stderr": 0.044612721759105085
    },
    "harness|hendrycksTest-security_studies|5": {
        "acc": 0.7306122448979592,
        "acc_stderr": 0.02840125202902294,
        "acc_norm": 0.7306122448979592,
        "acc_norm_stderr": 0.02840125202902294
    },
    "harness|hendrycksTest-sociology|5": {
        "acc": 0.835820895522388,
        "acc_stderr": 0.026193923544454125,
        "acc_norm": 0.835820895522388,
        "acc_norm_stderr": 0.026193923544454125
    },
    "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": 0.5542168674698795,
        "acc_stderr": 0.03869543323472101,
        "acc_norm": 0.5542168674698795,
        "acc_norm_stderr": 0.03869543323472101
    },
    "harness|hendrycksTest-world_religions|5": {
        "acc": 0.8245614035087719,
        "acc_stderr": 0.029170885500727665,
        "acc_norm": 0.8245614035087719,
        "acc_norm_stderr": 0.029170885500727665
    },
    "harness|truthfulqa:mc|0": {
        "mc1": 0.5862913096695227,
        "mc1_stderr": 0.0172408618120998,
        "mc2": 0.7078078883926877,
        "mc2_stderr": 0.015097515102384168
    },
    "harness|winogrande|5": {
        "acc": 0.8579321231254933,
        "acc_stderr": 0.009812000391679367
    },
    "harness|gsm8k|5": {
        "acc": 0.6648976497346475,
        "acc_stderr": 0.013001948176422954
    }
}

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

Metric	Value
Avg.	74.96
AI2 Reasoning Challenge (25-Shot)	73.63
HellaSwag (10-Shot)	88.85
MMLU (5-Shot)	64.22
TruthfulQA (0-shot)	70.78
Winogrande (5-shot)	85.79
GSM8k (5-shot)	66.49

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: 6693936