Характеристики

Контекст: 32 768 токенов
Параметры: 7,1 млрд
Лицензия: Apache 2.0
Архитектура: mistral · dense
Библиотека: transformers
Опубликована: 22 мар 2024

Ссылки

The-Trinity-Coder-7B

Генерация текстаТекст → текст8 профессий

Слитая 7,1-миллиардная модель Mistral для генерации и дополнения кода, логических рассуждений и решения задач по программированию.

72скачиваний за 30 дней6лайковвеса обновлены23 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.

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.

Открыть конструктор бенчмарка

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

The-Trinity-Coder-7B — языковая модель для генерации кода, созданная слиянием трёх моделей: CodeNinja-1.0-OpenChat-7B, NeuralExperiment-7b-MagicCoder-v7.5 и Speechless-Zephyr-Code-Functionary-7B. Слияние выполнено методом TIES; модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов.

Модель предназначена для генерации и дополнения кода, помощи в программировании, логических рассуждений и решения математических задач. В карточке заявлена поддержка языков программирования, включая Python, C, C++, Rust, Java и JavaScript. Модель работает с текстовыми запросами и выдаёт текст, в том числе код.

Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты сравнительной оценки качества; практическая точность и качество кода могут зависеть от задачи и формулировки запроса.

Сценарии применения

генерация кода по текстовому описанию
дополнение кода в контексте проекта
получение помощи при программировании на Python, C++, Rust, Java и JavaScript
разбор программных задач и логических условий
решение математических задач с помощью текстовых запросов

Ограничения

Карточка не содержит результатов сравнительной оценки, поэтому заявленные возможности не подкреплены приведёнными бенчмарками. Выходной код требует проверки и тестирования.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image/png

model_name = "YourRepository/The-Trinity-Coder-7B" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name)

prompt = "Your prompt here" inputs = tokenizer(prompt, return_tensors="pt") outputs = model.generate(**inputs) print(tokenizer.decode(outputs[0], skip_special_tokens=True))

base_model: [] library_name: transformers tags:

mergekit
merge

merged_folder

This is a merge of pre-trained language models created using mergekit.

Merge Details

Merge Method

This model was merged using the TIES merge method using uukuguy_speechless-zephyr-code-functionary-7b as a base.

Models Merged

The following models were included in the merge: *uukuguy_speechless-zephyr-code-functionary-7b

Kukedlc_NeuralExperiment-7b-MagicCoder-v7.5
beowolx_CodeNinja-1.0-OpenChat-7B

Configuration

The following YAML configuration was used to produce this model:

base_model: X:/text-generation-webui-main/models/uukuguy_speechless-zephyr-code-functionary-7b
models:
  - model: X:/text-generation-webui-main/models/beowolx_CodeNinja-1.0-OpenChat-7B
    parameters:
      density: 0.5
      weight: 0.4
  - model: X:/text-generation-webui-main/models/Kukedlc_NeuralExperiment-7b-MagicCoder-v7.5
    parameters:
      density: 0.5
      weight: 0.4
merge_method: ties
parameters:
  normalize: true
dtype: float16

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: cca1997