/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.2
Библиотека
transformers
Опубликована
3 янв 2024

Tanuki-7B-v0.1

Генерация текстаТекст → текст3 профессии

Дообученная на Mistral-7B-Instruct-v0.2 модель для творческих текстов, ролевых сценариев и коротких историй.

39скачиваний за 30 дней8лайковвеса обновлены5 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

Tanuki-7B-v0.1 — дообученная NeuralNovel модель на архитектуре Mistral для генерации текстов по инструкциям. Она предназначена прежде всего для ролевых сценариев, коротких историй и творческих ответов на сложные повествовательные запросы. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов.

Модель прошла полное дообучение Mistral-7B-Instruct-v0.2 на наборах Neural-Story-v1 и Creative-Logic-v1. Она ориентирована на подробное и творческое повествование; в задачах, не связанных с генерацией текстов по инструкциям и повествованием, качество может быть ниже. В ответах возможны смещения, связанные с обучающими данными, включая жанровые и стилистические предпочтения. Лицензия Apache-2.0 допускает коммерческое и некоммерческое использование.

Сценарии применения

  • написание коротких рассказов по заданной теме
  • создание продолжения для повествовательного фрагмента
  • ответы от лица персонажа в ролевом диалоге
  • генерация подробных творческих ответов на инструкции

Ограничения

В задачах вне генерации текстов по инструкциям и повествования качество может быть ниже; модель может наследовать смещения и жанровые предпочтения обучающих данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Neural-Story

NeuralNovel/Tanuki-7B-v0.1

Designed to generate instructive and narrative text, with a specific focus on roleplay & short storytelling. This fine-tune has been tailored to provide detailed and creative responses in the context of complex narrative.

Full-parameter fine-tune (FFT) of Mistral-7B-Instruct-v0.2, with apache-2.0 license, suitable for commercial or non-commercial use.

Data-set

The model was finetuned using the Neural-Story-v1 and Creative-Logic-v1 datasets.

Summary

Fine-tuned with the intention of generating creative and narrative text, making it more suitable for creative writing prompts and storytelling.

Out-of-Scope Use

The model may not perform well in scenarios unrelated to instructive and narrative text generation. Misuse or applications outside its designed scope may result in suboptimal outcomes.

Bias, Risks, and Limitations

The model may exhibit biases or limitations inherent in the training data. It is essential to consider these factors when deploying the model to avoid unintended consequences.

This model and its datasets serves as an excellent starting point for testing language models, users are advised to exercise caution, as there might be some inherent genre or writing bias.

Hardware and Training

Trained using NVIDIA Tesla T40 24 GB.


 n_epochs = 4, # increased from 3
 n_checkpoints = 2,
 batch_size = 6, # decreased from 20
 learning_rate = 1e-5,


Sincere appreciation to Techmind for their generous sponsorship.

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.64.74
AI2 Reasoning Challenge (25-Shot)62.80
HellaSwag (10-Shot)83.14
MMLU (5-Shot)60.54
TruthfulQA (0-shot)66.33
Winogrande (5-shot)75.85
GSM8k (5-shot)39.80

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
04cdfc5

0 моделей