/ Модель
Каталог

Характеристики

Контекст
2 048 токенов
Параметры
69 млрд
Размер весов
139 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
5 сен 2023

Ссылки

Hugging Face

tigerbot-70b-base-v1

TigerResearch
Генерация текстаТекст → текст7 профессий

Базовая 69-миллиардная модель TigerBot на архитектуре Llama для генерации текста на китайском и английском языках и создания собственных LLM-решений.

41скачиваний за 30 дней15лайковвеса обновлены4 дек 2023

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

TigerBot-70B-Base-v1 — базовая языковая модель семейства Llama, разработанная TigerResearch. Это плотная авторегрессионная модель на 69 млрд параметров для генерации текста и использования в качестве основы для собственных решений на базе LLM. В карточке приведены результаты Open LLM Leaderboard, включая средние 62,1 балла, ARC и HellaSwag.

Модель поддерживает китайский и английский языки, принимает текст и генерирует текст. Её нативный контекст составляет 2048 токенов. Веса доступны в формате PyTorch, а для использования README предлагает запуск через Transformers и код TigerBot. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • генерация текста на китайском языке
  • генерация текста на английском языке
  • создание специализированных языковых моделей на базе чекпойнта
  • экспериментальная оценка языковой модели на бенчмарках

Ограничения

Нативный контекст ограничен 2048 токенами. Это базовая модель, поэтому её готовность к диалогу и следованию инструкциям не заявлена.

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 385моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.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

快速开始

  • 方法1，通过transformers使用

    • 下载 TigerBot Repo

      git clone https://github.com/TigerResearch/TigerBot.git

    • 启动infer代码

      python infer.py --model_path TigerResearch/tigerbot-70b-base-v1 --model_type base

  • 方法2:

    • 下载 TigerBot Repo

      git clone https://github.com/TigerResearch/TigerBot.git

    • 安装git lfs： git lfs install

    • 通过huggingface或modelscope平台下载权重

      git clone https://huggingface.co/TigerResearch/tigerbot-70b-base-v1
git clone https://www.modelscope.cn/TigerResearch/tigerbot-70b-base-v1.git

    • 启动infer代码

      python infer.py --model_path tigerbot-70b-base-v1 --model_type base

Quick Start

  • Method 1, use through transformers

    • Clone TigerBot Repo

      git clone https://github.com/TigerResearch/TigerBot.git

    • Run infer script

      python infer.py --model_path TigerResearch/tigerbot-70b-base-v1 --model_type base

  • Method 2:

    • Clone TigerBot Repo

      git clone https://github.com/TigerResearch/TigerBot.git

    • install git lfs： git lfs install

    • Download weights from huggingface or modelscope

      git clone https://huggingface.co/TigerResearch/tigerbot-70b-base-v1
git clone https://www.modelscope.cn/TigerResearch/tigerbot-70b-base-v1.git

    • Run infer script

      python infer.py --model_path tigerbot-70b-base-v1 --model_type base

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.62.1
ARC (25-shot)62.46
HellaSwag (10-shot)83.61
MMLU (5-shot)65.49
TruthfulQA (0-shot)52.76
Winogrande (5-shot)80.19
GSM8K (5-shot)37.76
DROP (3-shot)52.45

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
6df769b

0 моделей

    Создать бенчмарк