/ 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_pt_241207
Библиотека
transformers
Опубликована
1 янв 2025

Zhongsi-6B-Instruct

Генерация текстаТекст → текст3 профессии

Zhongsi-6B-Instruct — дообученная диалоговая модель на 5,8 млрд параметров для генерации ответов, в том числе на медицинские темы.

15скачиваний 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-Instruct — диалоговая языковая модель, разработанная SYSU-MUCFC-FinTech-Research-Center и дообученная на базе saves/Yi-1.5-6B_pt_241207. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 5,8 млрд параметров и использует формат safetensors; заявленная длина контекста — 4096 токенов.

Модель предназначена для генерации ответов в диалоге, прежде всего по медицинским темам. В README указано дообучение на китайских медицинских вопросах и диалогах, медицинских экзаменационных наборах и общих диалоговых данных на китайском языке, а также на наборе Medical_dialogue_system_en_single_turn. Опубликован результат Loss 1.4955 на наборе оценки; методика и подробности оценки не описаны.

Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Карточка не приводит подробного описания предназначения и ограничений; ответы по медицинским вопросам не следует считать заменой профессиональной консультации.

Сценарии применения

  • ответы на вопросы по китайской медицине
  • диалоговый помощник по медицинским вопросам
  • ответы на вопросы медицинских экзаменов
  • генерация ответов на китайском языке
  • ответы на одношаговые медицинские запросы на английском языке

Ограничения

Подробные ограничения и методика оценки в карточке не раскрыты; результат Loss 1.4955 сам по себе не позволяет судить о качестве ответов. Условия лицензии обозначены как other и требуют проверки в репозитории; медицинские ответы не заменяют консультацию специалиста.

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

Yi-1.5-6B-sft-241208

This model is a fine-tuned version of [saves/Yi-1.5-6B_pt_241207] on the chinese-medical-dialogue, the CMB, the cMedQA2, the CMExam, the CMtMedQA, the COIG-CQIA-full, the COIG_full, the HuatuoGPT_sft_data_v, the huatuo_encyclopedia_q, the huatuo_lite, the imcs21, the Med-single-choice, the Medical_dialogue_system_en_single_turn, the qizhengpt-sft-20, the self_cognition, the sharegpt_zh_38K_format, the shennong, the shibing642-medica, the tigerbot_sft_data, the xywy-KG and the zhongyi-zhiku datasets. It achieves the following results on the evaluation set:

  • Loss: 1.4955

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
  • total_train_batch_size: 32
  • 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
1.69460.127710001.6502
1.60060.255420001.6065
1.57030.383030001.5798
1.60690.510740001.5604
1.54730.638450001.5453
1.52060.766160001.5329
1.49610.893870001.5222
1.46391.021580001.5162
1.48791.149190001.5104
1.49311.2768100001.5055
1.5031.4045110001.5014
1.48261.5322120001.4985
1.45441.6599130001.4966
1.45571.7875140001.4958
1.48391.9152150001.4955

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
f87e8e2

0 моделей