/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.2
Опубликована
3 мая 2024

Ссылки

Hugging Face

0.0001_withdpo_3iters_bs256_551lr_misit_iter_1

ShenaoZ
Генерация текстаТекст → текст7 профессий

Дообученная методом DPO диалоговая модель Mistral на 7,1 млрд параметров для генерации текста и ответов на инструкции.

11скачиваний за 30 дней0лайковвеса обновлены3 мая 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.

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

Это диалоговая языковая модель ShenaoZ, дообученная на базе mistralai/Mistral-7B-Instruct-v0.2 методом DPO на наборе HuggingFaceH4/ultrafeedback_binarized. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста в ответ на инструкции и сообщения в диалоге.

Модель можно использовать для создания ответов на вопросы, ведения диалога и других сценариев генерации текста. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. README не содержит сведений об оценках качества и конкретных ограничениях, поэтому пригодность для заданий, требующих высокой точности, следует проверять отдельно.

Сценарии применения

  • ответы на вопросы в диалоге
  • генерация ответов на пользовательские инструкции
  • создание черновиков текстов
  • продолжение диалога с длинным контекстом

Ограничения

README не приводит результатов оценки качества или конкретных ограничений модели. Фактическую точность ответов и пригодность для целевого сценария следует проверять на собственных примерах.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельIII.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594моделиI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

0.0001_withdpo_3iters_bs256_551lr_misit_iter_1

This model is a fine-tuned version of mistralai/Mistral-7B-Instruct-v0.2 on the HuggingFaceH4/ultrafeedback_binarized dataset.

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: 5e-07
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 256
  • total_eval_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 1

Training results

Framework versions

  • Transformers 4.36.2
  • Pytorch 2.1.2+cu121
  • Datasets 2.14.6
  • Tokenizers 0.15.2

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
3f88aed

0 моделей

    Создать бенчмарк