/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
meta-llama-3.1-8b-instruct-bnb-4bit
Опубликована
20 сен 2024

Llama-3.1-8B-Instruct-Reasoner-1o1_v0.3-GGUF

Генерация текстаТекст → текст6 профессий

QuantFactory/Llama-3.1-8B-Instruct-Reasoner-1o1_v0.3-GGUF — квантизированная GGUF-версия модели Lyte/Llama-3.1-8B-Instruct-Reasoner-1o1_v0.3, созданная QuantFactory с использованием llama.cpp.

1 919скачиваний за 30 дней1лайквеса обновлены20 сен 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Исходная модель дообучена на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit и предназначена для генерации текста в диалоговых сценариях, включая ответы на вопросы, рассуждения, самопроверку и исправление обнаруженных ошибок. В карточке также указано, что модель является экспериментом и proof of concept, ориентированным на генерацию более длинных рассуждений перед финальным ответом.

Модель относится к семейству Llama 3.1 и имеет размер 8B параметров; доступный формат — GGUF. Указан английский язык. Архитектура, максимальная длина контекста и точный набор квантизаций в предоставленных данных не описаны. В качестве сильной стороны заявлена настройка на пошаговое рассуждение с проверкой и коррекцией, однако разработчик предупреждает, что небольшая обучающая выборка не направлена на получение прироста производительности и может даже ухудшать результаты. Модель распространяется по лицензии Apache-2.0.

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

QuantFactory Banner

QuantFactory/Llama-3.1-8B-Instruct-Reasoner-1o1_v0.3-GGUF

This is quantized version of Lyte/Llama-3.1-8B-Instruct-Reasoner-1o1_v0.3 created using llama.cpp

Original Model Card

Uploaded model

  • NOTE: This model is just an experiment to make the model generate more tokens to do reasoning before providing an answer, with verifier and correction, this is just a proof of concept because literally, no model will show improvements in performance from such a tiny dataset(that doesn't target any specific knowledge) it may even degrade but the point wasn't to improve performance but to have it learn to "reason" because reaching SOTA in benchmarks does not equal "reasoning".
  • Demo: try Q4_K_M here
  • Developed by: Lyte
  • License: apache-2.0
  • Finetuned from model : unsloth/meta-llama-3.1-8b-instruct-bnb-4bit

Prompt

<|begin_of_text|><|start_header_id|>system<|end_header_id|>

You are a world-class AI system, capable of complex reasoning and reflection and correcting your mistakes. Reason through the query/question, and then provide your final response. If you detect that you made a mistake in your reasoning at any point, correct yourself.<|eot_id|><|start_header_id|>user<|end_header_id|>

{prompt}<|eot_id|><|start_header_id|>assistant<|end_header_id|>

{response}

Example(0-shot):

  • the reason we keep seeing the correct word "strawberry" written again and again is simply a tokenizer issue. However, it did understand how to count correctly towards the end by saying, (the correct count is 4 'r's: one in "ar", three in "err"). The reason for "err" instead of "errr" is because of tokenization.

Screenshot-243.jpg

Benchmark Scores

  • Note: Evals were ran with and without the system prompt that was used in the finetuning.
Task/GroupMetricWith PromptWithout PromptDifference
arc_challengeacc51.37%43.77%+7.60%
acc_norm53.67%46.42%+7.25%
arc_easyacc81.99%73.11%+8.88%
acc_norm79.42%64.98%+14.44%
commonsense_qaacc76.00%72.73%+3.27%
gsm8k (flexible-extract)exact_match74.91%76.57%-1.66%
gsm8k (strict-match)exact_match73.92%75.97%-2.05%
hellaswagacc59.01%58.87%+0.14%
acc_norm77.98%77.32%+0.66%
mmlu (overall)acc66.06%65.45%+0.61%
mmlu - humanitiesacc61.47%61.38%+0.09%
mmlu - otheracc72.84%72.16%+0.68%
mmlu - social sciencesacc75.14%73.94%+1.20%
mmlu - stemacc57.37%56.61%+0.76%
piqaacc79.49%78.45%+1.04%
acc_norm80.47%78.73%+1.74%

Compared to the original Llama-3.1-8B-Instruct:

Task/BenchmarkMetricLlama-3.1-8B-InstructFinetuned ModelDifference
MMLUacc69.40%66.06%-3.34%
ARC-Challengeacc83.40%51.37%-32.03%
CommonSenseQAacc75.00%*76.00%+1.00%
GSM-8Kexact_match84.50%74.91%-9.59%
  • Note: For Llama-3.1-8B-Instruct, the CommonSenseQA score is from the base model, not the instruct version. The -32.03% drop is very bad i have no idea if it's the finetuning that messed it up or difference in evals, but take it as you will, i did not plan to benchmark anything but oh well people won't stop asking to benchmark an experimental model(can you even properly benchmark the more tokens to do "reasoning"? i probably needed to adjust temperature to really make use of the model)...

This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.25.05
IFEval (0-Shot)70.98
BBH (3-Shot)27.84
MATH Lvl 5 (4-Shot)14.80
GPQA (0-shot)2.68
MuSR (0-shot)4.90
MMLU-PRO (5-shot)29.09

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
c92e766

0 моделей