Характеристики

Контекст: 131 072 токена
Параметры: 6,4 млрд
Размер весов: 13,9 ГБ
Лицензия: Apache 2.0
Архитектура: llama · dense
Базовая модель: Llama-3.1-8b-Pruned-4-Layers
Библиотека: transformers
Опубликована: 5 авг 2024

Ссылки

Hugging Face arXiv 1910.09700

Llama-3.1-8B-Pruned-4-Layers_LoRA-PEFT

Na0s

Генерация текстаТекст → текст4 профессии

Дообученная LoRA-PEFT модель семейства Llama 3.1 для генерации текста по текстовым запросам.

26скачиваний за 30 дней0лайковвеса обновлены7 авг 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

Модель Na0s/Llama-3.1-8B-Pruned-4-Layers_LoRA-PEFT — дообученная с помощью LoRA-PEFT языковая модель семейства Llama 3.1, основанная на Na0s/Llama-3.1-8b-Pruned-4-Layers. Она предназначена для генерации текста и может использоваться в сценариях, где нужен ответ или продолжение текста по текстовому запросу.

Модель содержит 6,4 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 131 072 токенов. Для обучения применялся набор Open-Orca/SlimOrca. В README приведён результат 0,2937 на MMLU Pro в режиме zero-shot; данных для сравнения с базовой моделью или оценки качества на других задачах нет.

Модель распространяется по лицензии Apache-2.0. Информация о целевых языках и специализированных предметных областях не приведена.

Сценарии применения

генерация ответов на текстовые запросы
продолжение заданного текста
подготовка черновиков и вариантов формулировок

Ограничения

README приводит только оценку MMLU Pro 0-shot (0,2937); сравнительных результатов и сведений о качестве на других задачах нет. Целевые языки модели не указаны.

Для каких профессий подходит4

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 II.1Разработка и данныеАнализ требований и архитектура ПОAI помогает переводить потребности бизнеса в непротиворечивые требования и технические решения.20 задач18 191модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Na0s/Llama-3.1-8B-Pruned-4-Layers_LoRA-PEFT

Model Details

Model Description

Finetuned from model:[Na0s/Llama-3.1-8b-Pruned-4-Layers]

Training Details

    LoRA BF16, 
    batch_size=2, 
    steps=10000, gradient_accumulation_steps = 4,
    warmup_steps = 5,
    max_steps = 10000
    learning_rate = 2e-4,
    fp16 = not is_bfloat16_supported(),
    bf16 = is_bfloat16_supported(),
    logging_steps = 1,
    optim = "adamw_8bit",
    weight_decay = 0.01,
    lr_scheduler_type = "linear",
    seed = 3407

Training Data

[Open-Orca/SlimOrca]

Evaluation

MMLU Pro 0-shot: 0.2937

Evaluation Data

[TIGER-AI-Lab/MMLU-Pro]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

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: 346fd7d