/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
68,7 млрд
Размер весов
138 ГБ
Лицензия
Llama 2
Архитектура
llama · dense
Библиотека
transformers
Опубликована
27 сен 2023

sheep-duck-llama-2-70b-v1.1

Генерация текстаТекст → текст6 профессий

Дообученная Riiid языковая модель на 68,7 млрд параметров для генерации английского текста и диалоговых ответов.

74скачиваний за 30 дней20лайковвеса обновлены13 окт 2023

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

Sheep-Duck-Llama-2 70B v1.1 — языковая модель, разработанная Riiid и предназначенная для генерации текста и диалоговых ответов. Это плотная авторегрессионная модель семейства Llama 2 с архитектурой LlamaForCausalLM, содержащая 68,7 млрд параметров и поддерживающая контекст до 4096 токенов. Модель работает через Transformers и распространяется в формате PyTorch.

Для дообучения использовались наборы данных в стилях Orca и Alpaca; карточка приводит результаты ARC, HellaSwag и MMLU. Модель рассчитана прежде всего на английский язык и может применяться для ответов на вопросы, диалогов и генерации текста по инструкции. Проверки проводились на английском языке; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением требуется оценка поведения в конкретном сценарии. Лицензия — Llama 2.

Сценарии применения

  • ответы на вопросы на английском языке
  • диалоговый помощник с системными и пользовательскими сообщениями
  • генерация текста по инструкции
  • решение тестовых задач на общие знания и рассуждение

Ограничения

Оценка модели проводилась на английском языке, поэтому качество на других языках не установлено. Возможны неточные, предвзятые или нежелательные ответы; поведение следует проверить и настроить для конкретного применения.

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

sheep-duck-llama-2

This is a version 1.1 of Riiid/sheep-duck-llama-2.

Model Details

Dataset Details

Used Datasets

  • Orca-style dataset
  • Alpaca-style dataset

Prompt Template

### System:
{System}

### User:
{User}

### Assistant:
{Assistant}

Evaluation

MetricValue
ARC (25-shot)73.04
HellaSwag (10-shot)87.81
MMLU (5-shot)70.84
TruthfulQA (0-shot)64.58
Avg.74.07

Limitations & Biases:

Llama2 and fine-tuned variants are a new technology that carries risks with use. Testing conducted to date has been in English, and has not covered, nor could it cover all scenarios. For these reasons, as with all LLMs, Llama 2 and any fine-tuned varient's potential outputs cannot be predicted in advance, and the model may in some instances produce inaccurate, biased or other objectionable responses to user prompts. Therefore, before deploying any applications of Llama 2 variants, developers should perform safety testing and tuning tailored to their specific applications of the model.

Please see the Responsible Use Guide available at https://ai.meta.com/llama/responsible-use-guide/

License Disclaimer:

This model is bound by the license & usage restrictions of the original Llama-2 model. And comes with no warranty or gurantees of any kind.

Contact Us

Citation:

Please kindly cite using the following BibTeX:

@article{platypus2023,
    title={Platypus: Quick, Cheap, and Powerful Refinement of LLMs}, 
    author={Ariel N. Lee and Cole J. Hunter and Nataniel Ruiz},
    booktitle={arXiv preprint arxiv:2308.07317},
    year={2023}
}
@misc{mukherjee2023orca,
      title={Orca: Progressive Learning from Complex Explanation Traces of GPT-4}, 
      author={Subhabrata Mukherjee and Arindam Mitra and Ganesh Jawahar and Sahaj Agarwal and Hamid Palangi and Ahmed Awadallah},
      year={2023},
      eprint={2306.02707},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}
@misc{Orca-best,
  title = {Orca-best: A filtered version of orca gpt4 dataset.},
  author = {Shahul Es},
  year = {2023},
  publisher = {HuggingFace},
  journal = {HuggingFace repository},
  howpublished = {\url{https://huggingface.co/datasets/shahules786/orca-best/},
}
@software{touvron2023llama2,
  title={Llama 2: Open Foundation and Fine-Tuned Chat Models},
  author={Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava,
 Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller,
Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan, Marcin Kardas, Viktor Kerkez Madian Khabsa, Isabel Kloumann,
Artem Korenev, Punit Singh Koura, Marie-Anne Lachaux, Thibaut Lavril, Jenya Lee, Diana Liskovich, Yinghai Lu, Yuning Mao, Xavier Martinet, Todor Mihaylov,
Pushkar Mishra, Igor Molybog, Yixin Nie, Andrew Poulton, Jeremy Reizenstein, Rashi Rungta, Kalyan Saladi, Alan Schelten, Ruan Silva, Eric Michael Smith,
Ranjan Subramanian, Xiaoqing Ellen Tan, Binh Tang, Ross Taylor, Adina Williams, Jian Xiang Kuan, Puxin Xu , Zheng Yan, Iliyan Zarov, Yuchen Zhang, Angela Fan,
Melanie Kambadur, Sharan Narang, Aurelien Rodriguez, Robert Stojnic, Sergey Edunov, Thomas Scialom},
  year={2023}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
978c3cc

0 моделей