/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
12,3 млрд
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Mistral-7B-Instruct-v0.2
Библиотека
transformers
Опубликована
6 мар 2024

bigstral-12b-32k

Генерация текстаТекст → текст15 профессий

Диалоговая модель на базе Mistral для генерации текста и выполнения инструкций с контекстом до 32 768 токенов.

8 946скачиваний за 30 дней44лайкавеса обновлены9 сен 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.

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,4194

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,2641

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,456

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0151

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2928

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,47

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Bigstral-12b-32k — диалоговая языковая модель от ehartford, созданная с помощью mergekit на основе Mistral-7B-Instruct-v0.2. Веса слоёв исходной модели расположены в чередующемся порядке, образуя плотную архитектуру MistralForCausalLM размером 12,3 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в формате диалога [INST]…[/INST], включая написание кода.

Большое окно контекста позволяет работать с длинными запросами и документами. Репозиторий использует формат safetensors и библиотеку Transformers; для запуска автор также приводит команду Ollama. Лицензия — Apache-2.0. README не приводит сведения о поддерживаемых языках или подробную оценку качества, поэтому их нельзя определить по имеющимся данным.

Сценарии применения

  • ответы на инструкции в формате диалога
  • генерация длинных текстов
  • написание и объяснение кода
  • ответы на вопросы по длинным документам

Ограничения

В README нет подробных данных об оценке качества и поддерживаемых языках. Модель основана на Mistral-7B-Instruct-v0.2, хотя её слои переставлены для получения модели большего размера.

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

bigstral-12b-32k

ollama run ehartford/bigstral

I reached for SOLAR but realized that its only 4k... Decided to make my own 32k version.

This is mistralai/Mistral-7B-Instruct-v0.2 with layers interleaved to create a larger 12b model.

This is a merge of pre-trained language models created using mergekit.

Prompt Format

<s>[INST] What is your favourite condiment? [/INST]
Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!</s>
[INST] Do you have dangerously spicy mayonnaise recipes? [/INST]

Example Output

give me some code that is very simple in javascript but would be very difficult in ANSI-C

In JavaScript, functions are first-class values, which means you can assign them to variables, pass them as arguments to other functions, and even nest them inside other functions. This leads to concise and expressive code.

Here's an example of a simple recursive function that calculates the factorial of a given number in JavaScript:

const factorial = n => n === 0 ? 1 : n * factorial(n - 1);

console.log(factorial(5)); // Output: 120

Now, let's try to write an equivalent code snippet in ANSI-C with similar functionality:

#include <stdio.h>
#define MAX_RECURSION_DEPTH 1000
int factorial(int n) {
    if (n == 0)
        return 1;
    else {
        int result;
        result = factorial(--n);
        if (++depth > MAX_RECURSION_DEPTH)
            while(1){} // Recursion stack overflow
        return n * result;
    }
}
int main() {
    int i, result;
    int n = 5;
    int depth = 0;

    result = factorial(n);
    printf("Factorial of %d is: %d\n", n, result);
    return 0;
}

As you can see, the ANSI-C code becomes more verbose and has several disadvantages compared to JavaScript:

  1. Need to define a maximum recursion depth using a constant or an array index, which can lead to hardcoded limits and potential stack overflow issues.
  2. The use of preprocessor directives (#define) for defining functions and macros can make the code less readable and harder to understand.
  3. The lack of closures in ANSI-C requires using static variables or passing arguments as arguments to nested functions, making the code more verbose and less concise.

Merge Details

Merge Method

This model was merged using the passthrough merge method.

Models Merged

The following models were included in the merge:

Configuration

The following YAML configuration was used to produce this model:

dtype: float16
merge_method: passthrough
slices:
- sources:
  - layer_range: [0, 8]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [4, 12]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [8, 16]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [12, 20]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [16, 24]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [20, 28]
    model: mistralai/Mistral-7B-Instruct-v0.2
- sources:
  - layer_range: [24, 32]
    model: mistralai/Mistral-7B-Instruct-v0.2

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.18.05
IFEval (0-Shot)41.94
BBH (3-Shot)25.56
MATH Lvl 5 (4-Shot)0.98
GPQA (0-shot)5.70
MuSR (0-shot)15.86
MMLU-PRO (5-shot)18.24

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
cf85301

0 моделей