/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
2,6 млрд
Лицензия
Apache 2.0
Архитектура
zamba2 · dense
Базовая модель
Zamba2-1.2B
Библиотека
transformers
Опубликована
19 сен 2024

Zamba2-1.2B-instruct

Генерация текстаТекст → текст9 профессий

Гибридная разговорная модель Zyphra на 2,6 млрд параметров для генерации текста и следования инструкциям.

176 тыс.скачиваний за 30 дней32лайкавеса обновлены7 фев 2025

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

Zamba2-1.2B-instruct — разговорная модель Zyphra для генерации текста и выполнения инструкций. Она создана дообучением Zamba2-1.2B: сначала на наборах инструкций и диалогов, затем с оптимизацией предпочтений методом DPO. В карточке указана гибридная архитектура Mamba2 и Transformer с общими слоями внимания и дополнительными LoRA-матрицами; метаданные относят модель к семейству Zamba2 и указывают 2,6 млрд параметров, формат safetensors и контекст 4096 токенов.

Модель рассчитана на ответы на запросы и многоходовые беседы. В карточке сообщается о хороших результатах в следовании инструкциям и низкой задержке генерации; для запуска рекомендуются оптимизированные ядра Mamba2, иначе возрастают задержка и расход памяти. Реализация для Hugging Face обозначена как временная и может быть несовместима с некоторыми инструментами и фреймворками. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на пользовательские вопросы
  • выполнение инструкций в текстовом чате
  • многоходовые диалоги с ассистентом
  • быстрая генерация текста при ограниченной памяти

Ограничения

Для более низкой задержки и расхода памяти рекомендуются оптимизированные ядра Mamba2. Реализация Hugging Face временная и может быть несовместима с некоторыми инструментами и фреймворками.

Для каких профессий подходит9

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

Model Card for Zamba2-1.2B

Zamba2-1.2B-instruct is obtained from Zamba2-1.2B by fine-tuning on instruction-following and chat datasets. Specifically:

  1. SFT of the base Zamba2-1.2B model on ultrachat_200k and Infinity-Instruct
  2. DPO of the SFT checkpoint on ultrafeedback_binarized, orca_dpo_pairs, and OpenHermesPreferences

Zamba2-1.2B-Instruct is a hybrid model composed of state-space (Mamba2) and transformer blocks.

Quick start

Prerequisites

To download Zamba2-1.2B-instruct, install transformers from source:

  1. git clone https://github.com/huggingface/transformers.git
  2. cd transformers && pip install .

To install dependencies necessary to run Mamba2 kernels, install mamba-ssm from source (due to compatibility issues with PyTorch) as well as causal-conv1d:

  1. git clone https://github.com/state-spaces/mamba.git
  2. cd mamba && git checkout v2.1.0 && pip install .
  3. pip install causal-conv1d

You can run the model without using the optimized Mamba2 kernels, but it is not recommended as it will result in significantly higher latency and memory usage.

Inference

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# Instantiate model and tokenizer
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-1.2B-instruct")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-1.2B-instruct", device_map="cuda", torch_dtype=torch.bfloat16)

# Format the input as a chat template
prompt = "What factors contributed to the fall of the Roman Empire?"
sample = [{'role': 'user', 'content': prompt}]
chat_sample = tokenizer.apply_chat_template(sample, tokenize=False)

# Tokenize input and generate output
input_ids = tokenizer(chat_sample, return_tensors='pt', add_special_tokens=False).to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=150, return_dict_in_generate=False, output_scores=False, use_cache=True, num_beams=1, do_sample=False)
print((tokenizer.decode(outputs[0])))

Performance

Zamba2-1.2B-Instruct achieves leading instruction-following and multi-turn chat performance for a model of its size and matches strong models significantly larger. For instance, Zamba2-1.2B-Instruct outperforms Gemma2-2B-Instruct, a very strong model over 2x its size.

ModelSizeAggregate MT-BenchIFEval
Zamba2-1.2B-Instruct1.2B59.5341.45
Gemma2-2B-Instruct2.7B51.6942.20
H2O-Danube-1.8B-Chat1.6B49.7827.95
StableLM-1.6B-Chat1.6B49.8733.77
SmolLM-1.7B-Instruct1.7B43.3716.53
Qwen2-1.5B-Instruct1.5BN/A34.68

Moreover, due to its unique hybrid SSM architecture, Zamba2-1.2B-Instruct achieves extremely low inference latency and rapid generation with a significantly smaller memory footprint than comparable transformer-based models.

Time to First Token (TTFT)Output Generation
image/pngimage/png

And memory overhead

Model Details

Zamba2-1.2B utilizes and extends our original Zamba hybrid SSM-attention architecture. The core Zamba architecture consists of a backbone of Mamba2 layers interleaved with one or more shared attention layers. This attention has shared weights to minimize the parameter cost of the model. We find that concatenating the original model embeddings to the input to this attention block improves performance, likely due to better maintenance of information across depth. The Zamba2 architecture also applies LoRA projection matrices to the shared transformer blocks to gain some additional expressivity in each block and allow each shared block to specialize slightly to its own unique position while keeping the additional parameter overhead small.

Note: this is a temporary HuggingFace implementation of Zamba2-1.2B. It may not yet be fully compatible with all frameworks and tools intended to interface with HuggingFace models.

A standalone Pytorch implementation of Zamba2-1.2B may be found here.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Zamba2ForCausalLM
Ревизия весов
c06b789

0 моделей