Модель BLOOM с сокращённым словарём для генерации текста преимущественно на китайском и английском языках.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
YeungNLP/bloomz-6b4-mt-zh — модель семейства BLOOM для генерации текста, полученная обрезкой словаря BLOOM с помощью инструмента LLMPruner. В словаре оставлены китайские токены и часто используемые английские токены; его размер сокращён с 250 880 до 46 145 токенов. Метаданные указывают на плотную архитектуру BloomForCausalLM, 8,2 млрд параметров и контекст длиной 2048 токенов.
Модель предназначена для генерации текста на китайском и английском языках, включая продолжение заданного фрагмента. README описывает обрезку словаря как способ уменьшить число параметров и потребление видеопамяти при сохранении части знаний предобученной модели. Для запуска предлагается библиотека Transformers с BloomTokenizerFast и BloomForCausalLM. Лицензия в предоставленных данных не указана.
В словаре сохранены китайские и часто используемые английские токены, поэтому поддержка других языков может быть ограничена. Обрезка словаря меняет состав токенов и может снижать качество для текста с редко используемыми токенами.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
项目地址：LLMPruner：大语言模型裁剪工具
LLMPruner是一个大语言模型裁剪工具，通过对大语言模型的冗余词表进行裁剪，减少模型参数量，降低显存占用，提升训练速度，并且能够保留预训练中学习到的知识。
本项目对Bloom进行词表裁剪，保留中文token和常用的英文token，词表由250880将至46145，缩减为原来的18.39%。裁剪得到的Bloom模型如下表：
使用方法：
from transformers import BloomTokenizerFast, BloomForCausalLM
tokenizer = BloomTokenizerFast.from_pretrained('YeungNLP/bloom-1b4-zh')
model = BloomForCausalLM.from_pretrained('YeungNLP/bloom-1b4-zh')
print(tokenizer.batch_decode(model.generate(tokenizer.encode('长风破浪会有时', return_tensors='pt'))))
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…