/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llama · dense
Опубликована
22 июн 2024

L3-8B-Stheno-v3.3-32K

Генерация текстаТекст → текст4 профессии

Разговорная дообученная модель Llama 3 для ролевых диалогов и творческого письма с расширенным контекстом до 32K токенов.

841скачиваний за 30 дней71лайквеса обновлены22 июн 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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,4604

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3725

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,3844

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2567

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1896

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0144

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sao10K/L3-8B-Stheno-v3.3-32K — разговорная модель семейства Llama 3, разработанная Sao10K и дообученная при вычислительной поддержке Backyard.ai. Она предназначена для диалогов, ролевых сценариев и творческого письма. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. В карточке указан контекст 32 768 токенов; его расширили с 8K с помощью обучения PoSE, поэтому 32K не является для модели родным контекстом.

В обучении улучшали отбор ролевых примеров, убирали низкокачественные данные, увеличивали долю творческого письма и перерабатывали подробные инструкции. Автор отмечает, что модель хорошо подходит для ролевых диалогов и сохраняет связность на расширенном контексте, но испытывает трудности с пониманием длинного контекста и рассуждениями. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • ведение ролевых диалогов
  • написание художественных сцен и рассказов
  • генерация ответов в разговорном стиле
  • выполнение подробных текстовых инструкций

Ограничения

Автор сообщает о проблемах с пониманием длинного контекста и рассуждениями; контекст 32K расширен обучением и не является родным. Автор не проверял влияние квантизации.

Для каких профессий подходит4

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

Trained with compute from Backyard.ai | Thanks to them and @dynafire for helping me out.


Training Details: Trained at 8K Context -> Expanded to 32K Context with PoSE training.

Dataset Modifications: - Further Cleaned up Roleplaying Samples -> Quality Check - Removed Low Quality Samples from Manual Check -> Increased Baseline Quality Floor - More Creative Writing Samples -> 2x Samples - Remade and Refined Detailed Instruct Data

Notes: - Training run is much less aggressive than previous Stheno versions. - This model works when tested in bf16 with the same configs as within the file. - I do not know the effects quantisation has on it. - Roleplays pretty well. Feels nice in my opinion. - It has some issues on long context understanding and reasoning. Much better vs rope scaling normally though, so that is a plus. - Reminder, this isn't a native 32K model. It has it's issues, but it's coherent and working well.

Sanity Check // Needle in a Haystack Results: - This is not as complex as RULER or NIAN, but it's a basic evaluator. Some improper train examples had Haystack scores ranging from Red to Orange for most of the extended contexts. Results

Wandb Run: Wandb


Relevant Axolotl Configurations: -> Taken from winglian/Llama-3-8b-64k-PoSE - I tried to find my own configs, hours of tinkering but the one he used worked best, so I stuck to it. - 2M Rope Theta had the best loss results during training compared to other values. - Leaving it at 500K rope wasn't that much worse, but 4M and 8M Theta made the grad_norm values worsen even if loss drops fast. - Mixing in Pretraining Data was a PITA. Made it a lot worse with formatting. - Pretraining / Noise made it worse at Haystack too? It wasn't all Green, Mainly Oranges. - Improper / Bad Rope Theta shows in Grad_Norm exploding to thousands. It'll drop to low values alright, but it's a scary fast drop even with gradient clipping.

sequence_len: 8192
use_pose: true
pose_max_context_len: 32768

overrides_of_model_config:
  rope_theta: 2000000.0
  max_position_embeddings: 32768

  # peft_use_dora: true
adapter: lora
peft_use_rslora: true
lora_model_dir:
lora_r: 256
lora_alpha: 256
lora_dropout: 0.1
lora_target_linear: true
lora_target_modules:
  - gate_proj
  - down_proj
  - up_proj
  - q_proj
  - v_proj
  - k_proj
  - o_proj

warmup_steps: 80
gradient_accumulation_steps: 6
micro_batch_size: 1
num_epochs: 2
optimizer: adamw_bnb_8bit
lr_scheduler: cosine_with_min_lr
learning_rate: 0.00004
lr_scheduler_kwargs:
    min_lr: 0.000004

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
1a59d16

0 моделей