/ Модель

Характеристики

Размер весов
38,3 ГБ
Лицензия
MPL 2.0
Архитектура
diva · dense
Базовая модель
Llama-3.1-8B-Instruct
Опубликована
20 июн 2024

DiVA-llama-3-v0-8b

ЭмбеддингиТекст → embedding3 профессии

Голосовой ассистент DiVA на базе Llama 3.1 8B Instruct для взаимодействия с речью и текстом.

172скачиваний за 30 дней35лайковвеса обновлены19 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

DiVA Llama 3 — голосовой ассистент на базе Llama 3.1 8B Instruct, разработанный авторами проекта DiVA. Модель рассчитана на сквозное взаимодействие с речью и текстом: принимает речь или текст и формирует ответы в голосовом сценарии. В метаданных Hugging Face указаны архитектура DiVAModel, 8 млрд параметров у базовой модели, формат safetensors и библиотека Transformers; обучение проводилось на корпусе Common Voice с использованием дистилляции. Базовая модель дообучена, лицензия репозитория — MPL-2.0.

Карточка не уточняет языковой охват, длину контекста и точный формат выходного сигнала. Хотя README описывает голосового ассистента, метаданные указывают задачу feature-extraction, поэтому профиль задачи может не полностью отражать пользовательский сценарий. Практические ограничения и качество по отдельным языкам в карточке не описаны.

Сценарии применения

  • голосовой диалог с ассистентом
  • ответы на текстовые запросы
  • эксперименты с речевыми ассистентами
  • извлечение признаков в задачах обработки речи

Ограничения

README описывает работу с речью и текстом, но метаданные классифицируют модель как feature-extraction; точный формат ответов и языковая поддержка не уточнены. В карточке не приведены оценки качества.

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

Model Card for Diva Llama 3

This is an end-to-end Voice Assistant Model which can handle speech and text as inputs. It is trained using distillation loss. More details in the pre-print here.

See the model in action at diva-audio.github.io or look at the full training logs on Weights&Biases.

Citation

BibTeX:

@misc{DiVA,
      title={{D}istilling an {E}nd-to-{E}nd {V}oice {A}ssistant {W}ithout {I}nstruction {T}raining {D}ata}, 
      author={William Held and Ella Li and Michael Ryan and Weiyan Shi and Yanzhe Zhang and Diyi Yang},
      year={2024},
      eprint={2410.02678},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2410.02678}, 
}
    

Inference Example

from transformers import AutoModel
import librosa
import wget

filename = wget.download(
    "https://github.com/ffaisal93/SD-QA/raw/refs/heads/master/dev/eng/irl/wav_eng/-1008642825401516622.wav"
)

speech_data, _ = librosa.load(filename, sr=16_000)

model = AutoModel.from_pretrained("WillHeld/DiVA-llama-3-v0-8b", trust_remote_code=True)

print(model.generate([speech_data]))
print(model.generate([speech_data], ["Reply Briefly Like A Pirate"]))

filename = wget.download(
    "https://github.com/ffaisal93/SD-QA/raw/refs/heads/master/dev/eng/irl/wav_eng/-2426554427049983479.wav"
)

speech_data2, _ = librosa.load(filename, sr=16_000)

print(
    model.generate(
        [speech_data, speech_data2],
        ["Reply Briefly Like A Pirate", "Reply Briefly Like A New Yorker"],
    )
)

Table of Contents

Training Details

Training Data

This model was trained on the CommonVoice corpus.

Training Procedure

This model was trained for 7k gradient steps with a batch size of 512 Recordings and a linearly decaying learning rate from 5e-5 to zero, with a linear warmup of 70 steps.

Environmental Impact

  • Hardware Type: V4-256 TPU
  • Hours used: 11 Hours
  • Cloud Provider: Google Cloud.
  • Compute Region: US Central C

Hardware

This model was trained on at V4-256 TPU on Google Cloud.

Software

This model was trained with Levanter

Model Card Authors [optional]

Will Held

Model Card Contact

held@stanford.edu

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DiVAModel
Ревизия весов
6e761b1

0 моделей