Uploaded model
- Developed by: Ramikan-BR
- License: apache-2.0
- Finetuned from model : unsloth/tinyllama-bnb-4bit
This llama model was trained 2x faster with Unsloth and Huggingface's TRL library.
Характеристики
- Контекст
- 4 096 токенов
- Параметры
- 1 млрд
- Лицензия
- Apache 2.0
- Архитектура
- llama · dense
- Базовая модель
- tinyllama-bnb-4bit
- Опубликована
- 6 мая 2024
Ссылки
tinyllama_PY-CODER-bnb-4bit-lora_4k-q4_k_m-v3
Дообученная компактная модель Llama для генерации текста и помощи с кодом на Python.
29скачиваний за 30 дней0лайковвеса обновлены8 мая 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.
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
Ramikan-BR/tinyllama_PY-CODER-bnb-4bit-lora_4k-q4_k_m-v3 — дообученная модель семейства Llama на базе unsloth/tinyllama-bnb-4bit. Разработчик — Ramikan-BR; обучение проводилось с использованием Unsloth и библиотеки TRL.
Модель предназначена для генерации текста и, судя по названию репозитория, ориентирована на помощь с кодом на Python. Архитектура — плотная авторегрессионная LlamaForCausalLM примерно с 1 млрд параметров; контекст — до 4096 токенов. Метаданные отмечают английский язык. Репозиторий содержит веса PyTorch.
Лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества или подробности обучающих данных, поэтому пригодность для конкретных задач программирования стоит проверять на собственных примерах.
Сценарии применения
- генерация фрагментов кода на Python
- подсказки при написании небольших Python-скриптов
- объяснение кода на Python
- черновые ответы на вопросы о Python
Ограничения
Карточка не приводит метрик качества, подробностей обучающих данных или подтверждённых результатов на задачах программирования. Контекст ограничен 4096 токенами.
Для каких профессий подходит4
Разделы каталога профессий, в задачах которых используется эта модель
II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443моделиII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- LlamaForCausalLM
- Ревизия весов
- 165e3b5