/ Модель

Характеристики

Контекст
1 024 токена
Параметры
667 млн
Лицензия
MIT
Архитектура
llama · dense
Опубликована
10 мар 2024

774M-03_09_2024

Генерация текстаТекст → текст3 профессии

Плотная авторегрессионная модель семейства Llama на 666,8 млн параметров, обученная на Falcon Refined Web для генерации текста и экспериментов с предварительным обучением.

320скачиваний за 30 дней2лайкавеса обновлены10 мар 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

RaoFoundation/774M-03_09_2024 — плотная авторегрессионная языковая модель семейства Llama, обученная для сабнета предварительного обучения Bittensor. По README, на 9 марта 2024 года она занимала первое место в этом сабнете. Модель обучалась на наборе Falcon Refined Web; её оценивали по loss на случайно выбранных фрагментах этого набора, чтобы сравнивать результаты майнеров.

Модель предназначена для продолжения текста и других сценариев генерации, а также для экспериментов с предварительно обученными языковыми моделями. Метаданные указывают 666,8 млн параметров, контекст 1024 токена и формат Safetensors. Для исследователей и разработчиков она может служить чекпойнтом для изучения обучения на веб-текстах и оценки качества предсказания следующего токена.

Лицензия — MIT. Короткий контекст ограничивает работу с длинными документами; рейтинг в сабнете отражает соревнование по loss на Falcon Refined Web, а не универсальное качество ответов или диалоговые способности.

Сценарии применения

  • генерация продолжения веб-текста
  • эксперименты с предварительным обучением языковых моделей
  • оценка loss на фрагментах Falcon Refined Web

Ограничения

Контекст ограничен 1024 токенами. README описывает сравнительную оценку по loss на Falcon Refined Web, поэтому она сама по себе не подтверждает качество диалоговых ответов или других задач.

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

This model was trained for Bittensor's pretraining subnet (https://github.com/RaoFoundation/pretraining) and, as of March 9th 2024, is the top model.

Bittensor subnet 9 rewards miners for producing pretrained Foundation-Models on the Falcon Refined Web dataset. It acts like a continuous benchmark whereby miners are rewarded for attaining the best losses on randomly sampled pages of Falcon given a consistent model architecture. The reward mechanism works as follows:

  1. Miners train and periodically publish models to hugging face and commit the metadata for that model to the Bittensor chain.
  2. Validators download the models from hugging face for each miner based on the Bittensor chain metadata and continuously evaluate them, setting weights based on the performance of each model against the Falcon dataset. They also log results to wandb.
  3. The Bittensor chain aggregates weights from all active validators using Yuma Consensus to determine the proportion of TAO emission rewarded to miners and validators.

Bittensor hosts multiple incentive mechanism through which miners are evaluated by validators for performing actions well. Validators perform the process of evaluation and 'set weights', which are transactions into Bittensor's blockchain. Each incentive mechanism in Bittensor is called a 'subnet' and has an identifier (This particular mechanism has subnet uid 9). Weights and the amount of TAO held by the validators become inputs to Bittensor's consensus mechanism called Yuma Consensus. YC drives validators towards a consensus, agreement about the value of the work done by miners. The miners with the highest agreed upon scores are minted TAO, the network digital currency.

Miners within this subnet are evaluated based on the number of times the model they have hosted has a lower loss than another model on the network when randomly sampling from the near infinite Falcon Refined Web pretraining dataset. To perform well, miners must attain the lowest loss on the largest number of random batches. Finding the best model and delta at the earliest block ensures the most incentive.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
27d2412

0 моделей