/ Модель

Характеристики

Контекст
1 024 000 токенов
Параметры
12,1 млрд
Размер весов
24,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Mistral-Nemo-Base-2407
Библиотека
transformers
Опубликована
19 дек 2024

Dans-PersonalityEngine-V1.1.0-12b

Генерация текстаТекст → текст6 профессий

Англоязычная дообученная модель Mistral Nemo на 12,1 млрд параметров для ролевых диалогов, совместного письма и общего текстового ассистирования.

688скачиваний за 30 дней46лайковвеса обновлены23 мая 2025

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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,5361

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,7075

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4587

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,105

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2869

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,3262

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Dans-PersonalityEngine-V1.1.0-12b — англоязычная разговорная модель PocketDoc, дообученная на базе mistralai/Mistral-Nemo-Base-2407. Это плотная авторегрессионная модель Mistral с 12,1 млрд параметров; метаданные указывают контекст до 1 024 000 токенов, тогда как README рекомендует 32 768 токенов. Модель работает с текстом и использует формат диалога ChatML.

Модель предназначена для ролевых диалогов, совместного написания историй, текстовых приключений и общего ассистирования. Её также можно использовать для суммаризации, анализа тональности, ответов на вопросы, программирования и вызова инструментов в текстовых сценариях. В описании обучения указаны одноходовые и многоходовые инструкции, диалоги с ролями и примеры использования инструментов.

Модель выпущена под лицензией Apache-2.0. README рекомендует температуру 1,0, top-p 0,95 и min-p 0,05. Качество и фактические возможности для отдельных задач не подтверждены оценками; языковая поддержка в карточке обозначена как английская.

Сценарии применения

  • ведение ролевых диалогов и отыгрыш персонажей
  • совместное написание рассказов и сцен
  • создание текстовых приключений
  • суммаризация текстов
  • анализ тональности сообщений
  • ответы на вопросы и помощь с программированием

Ограничения

Карточка описывает преимущественно английский язык; качество по отдельным задачам не подтверждено опубликованными оценками. Для длины контекста источники расходятся: README рекомендует 32 768 токенов, а метаданные указывают 1 024 000 токенов.

Для каких профессий подходит6

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

def task(): sleep(1) return 'all done'

if name == 'main': with ThreadPool() as pool: result = pool.apply_async(task()) Assistant: The bug in this code is that the task() function is called immediately when the apply_async() method is invoked, not when the worker process is ready to execute it. Specifically, the line result = pool.apply_async(task()) calls task() right away and passes its return value to apply_async(). The worker process will execute whatever task() returns at that moment, which is 'all done' since task() completes execution almost immediately. To fix this bug, you need to pass the task function itself to apply_async(), rather than calling task() beforehand. Here's the corrected code: from time import sleep from multiprocessing.pool import ThreadPool

def task(): sleep(1) return 'all done'

if name == 'main': with ThreadPool() as pool: result = pool.apply_async(task) # Pass the function, not the result value = result.get() # Wait for the result print(value)

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
d72c601

0 моделей