/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
71,5 млрд
Размер весов
145 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Опубликована
26 июн 2024

Smaug-Qwen2-72B-Instruct

Генерация текстаТекст → текст15 профессий

Дообученная Abacus.AI диалоговая модель на базе Qwen2-72B-Instruct для генерации текста, рассуждений и помощи с кодом.

77скачиваний за 30 дней10лайковвеса обновлены6 авг 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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3616

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,691

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,4131

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,7825

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,519

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4401

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Smaug-Qwen2-72B-Instruct — диалоговая языковая модель, созданная Abacus.AI как дообученная версия Qwen2-72B-Instruct. Она генерирует текст и предназначена для общения, ответов на вопросы, решения сложных задач на рассуждение и помощи с кодом. Модель имеет плотную архитектуру Qwen2ForCausalLM, около 71,5 млрд параметров и контекстное окно до 32 768 токенов; принимает текст и выдаёт текст. В карточке указана поддержка английского языка.

В README приведены сравнительные результаты на BBH, LiveCodeBench, Arena-Hard и MT-Bench: Smaug превосходит исходную Qwen2-72B-Instruct в отдельных оценках, включая BBH и LiveCodeBench, но уступает ей по среднему результату MT-Bench. Это экспериментальные бенчмарки, поэтому они не гарантируют качество для конкретных задач. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует проверить в карточке модели и у базовой модели.

Сценарии применения

  • ответы на вопросы в диалоге
  • решение задач на логическое рассуждение
  • генерация и объяснение программного кода
  • следование текстовым инструкциям
  • сравнительная оценка языковых моделей на бенчмарках

Ограничения

Показатели на бенчмарках различаются: модель уступает исходной Qwen2-72B-Instruct по среднему MT-Bench, а на сложных задачах LiveCodeBench результат Pass@1 равен нулю. Лицензия обозначена как other, поэтому перед использованием следует уточнить её условия.

Для каких профессий подходит15

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

Smaug-Qwen2-72B-Instruct

image/png

Introduction

We introduce the latest in the Smaug series - a finetune of Qwen2-72B-Instruct

Compared to Qwen2-72B-Instruct, Smaug has better BBH, LiveCodeBench, and Arena-Hard scores (see evaluation results below).

How to use

The prompt format is unchanged from Qwen2-72B-Instruct.

Use with transformers

See the snippet below for usage with Transformers:

import transformers
import torch

model_id = "abacusai/Smaug-Qwen2-72B-Instruct"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompt = pipeline.tokenizer.apply_chat_template(
		messages, 
		tokenize=False, 
		add_generation_prompt=True
)

terminators = [
    pipeline.tokenizer.eos_token_id,
    pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = pipeline(
    prompt,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][len(prompt):])

Evaluation Results

Big-Bench Hard (BBH)

Note: These results are with corrected parsing for BBH from Eleuther's lm-evaluation-harness. See this PR.

Overall:

ModelGroupsVersionFiltern-shotMetricValueStderr
Smaug-Qwen2-72B-InstructbbhN/Aget-answer3exact_match0.8241±0.0042
Qwen2-72B-InstructbbhN/Aget-answer3exact_match0.8036±0.0044

Breakdown:

Smaug-Qwen2-72B-Instruct:

TasksVersionFiltern-shotMetricValueStderr
bbhN/Aget-answer3exact_match0.82410.0042
- bbh_cot_fewshot_boolean_expressions2get-answer3exact_match0.96400.0118
- bbh_cot_fewshot_causal_judgement2get-answer3exact_match0.65780.0348
- bbh_cot_fewshot_date_understanding2get-answer3exact_match0.83600.0235
- bbh_cot_fewshot_disambiguation_qa2get-answer3exact_match0.82800.0239
- bbh_cot_fewshot_dyck_languages2get-answer3exact_match0.33600.0299
- bbh_cot_fewshot_formal_fallacies2get-answer3exact_match0.71200.0287
- bbh_cot_fewshot_geometric_shapes2get-answer3exact_match0.53200.0316
- bbh_cot_fewshot_hyperbaton2get-answer3exact_match0.98800.0069
- bbh_cot_fewshot_logical_deduction_five_objects2get-answer3exact_match0.76800.0268
- bbh_cot_fewshot_logical_deduction_seven_objects2get-answer3exact_match0.53600.0316
- bbh_cot_fewshot_logical_deduction_three_objects2get-answer3exact_match0.97200.0105
- bbh_cot_fewshot_movie_recommendation2get-answer3exact_match0.80000.0253
- bbh_cot_fewshot_multistep_arithmetic_two2get-answer3exact_match0.97200.0105
- bbh_cot_fewshot_navigate2get-answer3exact_match0.96400.0118
- bbh_cot_fewshot_object_counting2get-answer3exact_match0.92000.0172
- bbh_cot_fewshot_penguins_in_a_table2get-answer3exact_match0.84930.0297
- bbh_cot_fewshot_reasoning_about_colored_objects2get-answer3exact_match0.75600.0272
- bbh_cot_fewshot_ruin_names2get-answer3exact_match0.85200.0225
- bbh_cot_fewshot_salient_translation_error_detection2get-answer3exact_match0.59200.0311
- bbh_cot_fewshot_snarks2get-answer3exact_match0.91010.0215
- bbh_cot_fewshot_sports_understanding2get-answer3exact_match0.94400.0146
- bbh_cot_fewshot_temporal_sequences2get-answer3exact_match1.00000.0000
- bbh_cot_fewshot_tracking_shuffled_objects_five_objects2get-answer3exact_match0.98000.0089
- bbh_cot_fewshot_tracking_shuffled_objects_seven_objects2get-answer3exact_match0.95600.0130
- bbh_cot_fewshot_tracking_shuffled_objects_three_objects2get-answer3exact_match0.96400.0118
- bbh_cot_fewshot_web_of_lies2get-answer3exact_match1.00000.0000
- bbh_cot_fewshot_word_sorting2get-answer3exact_match0.65600.0301

Qwen2-72B-Instruct:

TasksVersionFiltern-shotMetricValueStderr
bbhN/Aget-answer3exact_match0.80360.0044
- bbh_cot_fewshot_boolean_expressions2get-answer3exact_match0.96400.0118
- bbh_cot_fewshot_causal_judgement2get-answer3exact_match0.66840.0345
- bbh_cot_fewshot_date_understanding2get-answer3exact_match0.80000.0253
- bbh_cot_fewshot_disambiguation_qa2get-answer3exact_match0.83600.0235
- bbh_cot_fewshot_dyck_languages2get-answer3exact_match0.30400.0292
- bbh_cot_fewshot_formal_fallacies2get-answer3exact_match0.74800.0275
- bbh_cot_fewshot_geometric_shapes2get-answer3exact_match0.49600.0317
- bbh_cot_fewshot_hyperbaton2get-answer3exact_match0.94400.0146
- bbh_cot_fewshot_logical_deduction_five_objects2get-answer3exact_match0.68000.0296
- bbh_cot_fewshot_logical_deduction_seven_objects2get-answer3exact_match0.47200.0316
- bbh_cot_fewshot_logical_deduction_three_objects2get-answer3exact_match0.92000.0172
- bbh_cot_fewshot_movie_recommendation2get-answer3exact_match0.78000.0263
- bbh_cot_fewshot_multistep_arithmetic_two2get-answer3exact_match0.97600.0097
- bbh_cot_fewshot_navigate2get-answer3exact_match0.95200.0135
- bbh_cot_fewshot_object_counting2get-answer3exact_match0.94800.0141
- bbh_cot_fewshot_penguins_in_a_table2get-answer3exact_match0.57530.0410
- bbh_cot_fewshot_reasoning_about_colored_objects2get-answer3exact_match0.81200.0248
- bbh_cot_fewshot_ruin_names2get-answer3exact_match0.87600.0209
- bbh_cot_fewshot_salient_translation_error_detection2get-answer3exact_match0.58800.0312
- bbh_cot_fewshot_snarks2get-answer3exact_match0.87640.0247
- bbh_cot_fewshot_sports_understanding2get-answer3exact_match0.90800.0183
- bbh_cot_fewshot_temporal_sequences2get-answer3exact_match0.99600.0040
- bbh_cot_fewshot_tracking_shuffled_objects_five_objects2get-answer3exact_match0.91600.0176
- bbh_cot_fewshot_tracking_shuffled_objects_seven_objects2get-answer3exact_match0.94000.0151
- bbh_cot_fewshot_tracking_shuffled_objects_three_objects2get-answer3exact_match0.94400.0146
- bbh_cot_fewshot_web_of_lies2get-answer3exact_match1.00000.0000
- bbh_cot_fewshot_word_sorting2get-answer3exact_match0.66800.0298

LiveCodeBench

ModelPass@1Easy Pass@1Medium Pass@1Hard Pass@1
Smaug-Qwen2-72B-Instruct0.33570.72860.16330.0000
Qwen2-72B-Instruct0.31390.68100.15310.0000

Arena-Hard

Score vs selected others (sourced from: (https://lmsys.org/blog/2024-04-19-arena-hard/#full-leaderboard-with-gpt-4-turbo-as-judge)). GPT-4o and Gemini-1.5-pro-latest were missing from the original blob post, and we produced those numbers from a local run using the same methodology.

ModelScore95% Confidence IntervalAverage Tokens
GPT-4-Turbo-2024-04-0982.6(-1.8, 1.6)662
GPT-4o78.3(-2.4, 2.1)685
Gemini-1.5-pro-latest72.1(-2.3, 2.2)630
Claude-3-Opus-2024022960.4(-3.3, 2.4)541
Smaug-Llama-3-70B-Instruct56.7(-2.2, 2.6)661
GPT-4-031450.0(-0.0, 0.0)423
Smaug-Qwen2-72B-Instruct48.0(-1.8, 2.1)628
Claude-3-Sonnet-2024022946.8(-2.1, 2.2)552
Qwen2-72B-Instruct43.5(-2.6, 2.7)531
Llama-3-70B-Instruct41.1(-2.5, 2.4)583
GPT-4-061337.9(-2.2, 2.0)354
Mistral-Large-240237.7(-1.9, 2.6)400
Mixtral-8x22B-Instruct-v0.136.4(-2.7, 2.9)430
Qwen1.5-72B-Chat36.1(-2.5, 2.2)474
Command-R-Plus33.1(-2.1, 2.2)541
Mistral-Medium31.9(-2.3, 2.4)485
GPT-3.5-Turbo-061324.8(-1.6, 2.0)401

MT-Bench

First turn

ModelTurnScore
Qwen2-72B-Instruct19.18125
Smaug-Qwen2-72B-Instruct19.05625

Second turn

ModelTurnScore
Qwen2-72B-Instruct28.74684
Smaug-Qwen2-72B-Instruct28.67500

Average

ModelScore
Qwen2-72B-Instruct8.96541
Smaug-Qwen2-72B-Instruct8.86563

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.41.08
IFEval (0-Shot)78.25
BBH (3-Shot)56.27
MATH Lvl 5 (4-Shot)35.35
GPQA (0-shot)14.88
MuSR (0-shot)15.18
MMLU-PRO (5-shot)46.56

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
df3d9a1

0 моделей