/ Модель

Характеристики

Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
mamba · dense
Опубликована
19 фев 2024

mamba-1.4b-ru

Генерация текстаТекст → текст5 профессий

Предобученная модель Mamba на 1,34 млрд параметров для генерации текста, особенно на русском языке.

307скачиваний за 30 дней6лайковвеса обновлены16 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.

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

SpirinEgor разработал Mamba-1.4B-ru — предобученную языковую модель для генерации текста на архитектуре Mamba. Она содержит около 1,34 млрд параметров по README; в метаданных Hugging Face указано 1,7 млрд. Модель обучалась более чем на 1 трлн токенов, преимущественно на русском и английском тексте, а также на коде и многоязычных данных. Размер словаря — 32 768 токенов; длина обучающих последовательностей составляла 2048 токенов.

Модель предназначена для продолжения текста и генерации ответов на русском и английском языках. Это базовая предобученная модель без дообучения на следование инструкциям, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. По README, результаты на английском слабее, чем на русском, а качество может уступать моделям с 7 млрд параметров. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • продолжение русскоязычных текстов
  • генерация англоязычных текстов
  • создание базовой модели для дальнейшего дообучения
  • генерация кода

Ограничения

Модель предобучена и не настроена на следование инструкциям, поэтому её ответы в диалогах могут требовать дополнительной настройки. По README, результаты на английском слабее, чем на русском, а модели большего размера могут работать лучше.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mamba-1.4B

The original Mamba model trained on over 1T tokens, mostly in English and Russian.

This release contains only the pre-trained part of the model. It doesn’t include any instructions following tuning. Feel free to try it out and share your results.

Note that this is a ~1.3B model, which is why its results can be worse than those of models with 7B parameters. However, model is competitive among models of the same size.

If you have any questions, feel free to open an issue.

Model description

Model has the same architecture and config parameters as the original Mamba-1.4B model. The only difference is the vocabulary size, which is 50,280 in the vanilla configuration and 32,768 in model. As a result, model has fewer parameters (1.34B).

This model was trained with the original implementation with the FSDP strategy.

Training details:

  • Effective batch size was 1024 and the sequence length was 2048, resulting in 2M tokens per batch.
  • Training was conducted for 500,000 steps, resulting in more than 1T tokens.
  • Learning rate scheduler was set up as follows:
    • Warmup for the first 2500 steps from 0 to 2e-4.
    • Graceful decrease to 1.8e-5 until step 497,500.
    • Cooldown to 0 for the last 2500 steps.
  • We use BF16 for training, but keep the gradient and buffer in FP32 for stability.

How to use

You need to install transformers version 4.39.0 or higher. We also recommend you to install optimized kernels: both causal_conv_1d and mamba-ssm.

pip install transformers>=4.39.0
pip install causal-conv1d>=1.2.0
pip install mamba-ssm

After that, you can use the classic generate API. Refer to the documentation of the original model for more details.

from transformers import MambaForCausalLM, AutoTokenizer

model = MambaForCausalLM.from_pretrained("SpirinEgor/mamba-1.4b")
tokenizer = AutoTokenizer.from_pretrained("SpirinEgor/mamba-1.4b")

s = "Я очень люблю лимончелло"
input_ids = tokenizer(s, return_tensors="pt")["input_ids"]

output_ids = model.generate(input_ids, max_new_tokens=50, do_sample=True, top_p=0.95, top_k=50, repetition_penalty=1.1)
print(tokenizer.decode(output_ids[0]))
# <s> Я очень люблю лимончелло. Просто без ума от этого ликёра, но когда его много я себя не контролирую и начинаю пить всё что можно.</s>

Dataset

The training dataset contains data mainly in English and Russian, as well as code and multilingual content. We use a combination of open-source datasets, e.g., parts of SlimPajama, Wikipedia, Reddit, etc.

LanguagePart
Russian53.5%
English36.8%
Source Code4.2%
Other5.5%

Evaluation

For evaluation, we use the same set of tasks as in the original paper.

Some useful notes and details:

  • As proposed in the paper, all tasks are zero-shot, unlike in the popular Open LLM Leaderboard. Therefore, it is impossible to compare these models based on just the numbers from the leaderboards.
  • Only some tasks were used for the Russian language. These were translated and edited analogues.
  • For evaluation, up to 3B parameters models were used. Bigger models show significantly better results for both languages.

If you want to reproduce the results or check any other model, you can use the lm-evaluation-harness framework.

We ran it with the following parameters:

--tasks lambada_openai,hellaswag,piqa,arc_easy,arc_challenge,winogrande --num_fewshot 0 --batch_size 4

Hover over the small plots to enlarge them.

Russian

English

As expected, model performs worse on tasks in the English language, and shows better results with Russian, even outperforming some popular models.

Citation

@article{mamba,
  title={Mamba: Linear-Time Sequence Modeling with Selective State Spaces},
  author={Gu, Albert and Dao, Tri},
  journal={arXiv preprint arXiv:2312.00752},
  year={2023}
}
@misc{spirin2024mamba_ru,
	title={mamba-1.4b-ru},
	author={Spirin, Egor},
	url={https://huggingface.co/SpirinEgor/mamba-1.4b},
	publisher={Hugging Face}
	year={2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MambaForCausalLM
Ревизия весов
fd16824

0 моделей