/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
5,8 млрд
Размер весов
12,1 ГБ
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
Yi-1.5-6B-sft-241208
Библиотека
transformers
Опубликована
1 янв 2025

Zhongsi-6B-Benchmark

Генерация текстаТекст → текст3 профессии

Дообученная 5,8-миллиардная модель на базе Yi-1.5 для генерации диалогового текста с акцентом на медицинские и традиционные китайские медицинские датасеты.

11скачиваний за 30 дней0лайковвеса обновлены1 янв 2025

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

Zhongsi-6B-Benchmark — дообученная языковая модель, опубликованная SYSU-MUCFC FinTech Research Center. Она создана на базе saves/Yi-1.5-6B-sft-241208 и дополнительно обучена на наборе датасетов, включающем задачи TCM, клинические данные и наборы с названиями A_problem–D_problem и zl_2–zl_3. Модель имеет плотную архитектуру LlamaForCausalLM, около 5,8 млрд параметров и контекст до 4096 токенов; опубликованные веса представлены в safetensors. Она предназначена для генерации текста и диалогового взаимодействия, а специализация на медицинской тематике следует из состава обучающих данных.

В карточке приведён результат loss 0,3568 на оценочном наборе, но описание не раскрывает протокол оценки и практическое качество ответов. Лицензия указана как other, поэтому условия использования следует уточнять у автора репозитория. Область применения и надёжность модели для клинических решений не документированы; ответы не следует считать медицинскими рекомендациями.

Сценарии применения

  • генерация диалоговых ответов по медицинским темам
  • ответы на вопросы по материалам традиционной китайской медицины
  • эксперименты с языковыми моделями на медицинских датасетах

Ограничения

Карточка не описывает Intended uses & limitations и не приводит подробностей методики оценки; результат loss 0,3568 сам по себе не подтверждает клиническую надёжность. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

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

6B_241210_sft_special-task_241210

This model is a fine-tuned version of [saves/Yi-1.5-6B-sft-241208] on the 10.TCM-SRT, the 2.TCM-DS, the 3.TCM-DID, the 4.TCM-FT-Lite, the 5.TCM-CHGD, the 6.Med-Treat, the 7.TCM-Clin, the 8.TCMeEE, the 9.TCM-LitData, the A_problem, the B_problem, the C_problem, the D_problem, the SPD-5038-gpt4oc, the zl_2 and the zl_3 datasets. It achieves the following results on the evaluation set:

  • Loss: 0.3568

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2.5e-06
  • train_batch_size: 4
  • eval_batch_size: 4
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 128
  • total_eval_batch_size: 32
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.05
  • num_epochs: 2.0

Training results

Training LossEpochStepValidation Loss
0.27731.956010000.3568

Framework versions

  • Transformers 4.44.2
  • Pytorch 2.4.0+cu121
  • Datasets 2.21.0
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
2f47227

0 моделей