/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
32,1 ГБ
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
Llama-3.1-8B-Instruct
Библиотека
transformers
Опубликована
18 сен 2024

hercule-hi

Генерация текстаТекст → текст

Hercule-hi — дообученная на Llama 3.1 модель для оценки ответов на хинди по английскому эталону с оценкой и обратной связью.

102скачиваний за 30 дней0лайковвеса обновлены18 окт 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 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

Hercule-hi — модель-оценщик для кросс-лингвальной оценки ответов многоязычных языковых моделей, разработанная в рамках CIA Suite. Она принимает ответ на оцениваемом языке и эталонный ответ на английском, после чего формирует оценку по шкале от 1 до 5 и обратную связь.

Модель дообучена на базе meta-llama/Llama-3.1-8B-Instruct и содержит 7,5 млрд параметров. Она предназначена для оценки ответов на хинди, в том числе в сценариях с малым количеством обучающих данных и для языков, не встречавшихся при обучении. Заявлено более тесное соответствие человеческим оценкам по сравнению с оцениванием без эталона. Контекстное окно — 131 072 токена; модель реализована для Transformers, веса доступны в формате safetensors. Лицензия — MIT.

Модель подходит для исследовательских и прикладных конвейеров оценки качества ответов, но её оценки не заменяют экспертную проверку и зависят от качества эталонного ответа и заданного формата запроса. В карточке описана оценка хинди; более широкая поддержка языков заявлена для семейства Hercule.

Сценарии применения

  • оценка ответов LLM на хинди по английскому эталону
  • сравнение качества ответов многоязычных моделей
  • оценивание ответов на малоресурсном языке
  • автоматическая проверка ответов по шкале от 1 до 5

Ограничения

Результаты зависят от качества английского эталона и соблюдения формата запроса; оценки модели не являются заменой экспертной проверки. В карточке основным языком модели указан хинди, а поддержка других языков описана на уровне семейства Hercule.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Hercule

Hercule is a cross-lingual evaluation model introduced as part of the CIA Suite to assess multilingual Large Language Models (LLMs). It addresses the challenge of evaluating multilingual LLMs by using English reference responses to score multilingual outputs.

Fine-tuned on the INTEL dataset, Hercule demonstrates better alignment with human judgments compared to zero-shot evaluations by proprietary models like GPT-4, on the RECON test set. It excels particularly in low-resource scenarios and supports zero-shot evaluations on unseen languages. The model employs reference-based evaluation, providing feedback and scores on a 1-5 scale, and highlights the effectiveness of lightweight fine-tuning methods (like LoRA) for efficient multilingual evaluation. All FFT models and LoRA weights are available here.

Model Details

Model Description

Hercule in fine-tuned on Llama-3.1-8B-Instruct using Intel training data and evaluated on Recon test set. Models for other languages are available in CIA Suite.

Prompt Format

We’ve developed wrapper functions and classes to make it easy to work with Hercule. Check them out on our github repository – we highly recommend using them!

If you only need to use the model for your specific use case, please follow the prompt format provided below.

Reference Guided Direct Assessment

The Hercule model expects four input components: an evaluation instruction (multilingual), a response to evaluate (multilingual), a scoring rubric (English), and a reference answer (English). Use the prompt format provided below, ensuring that you include the instruction, response, reference answer, evaluation criteria, and a detailed score rubric for each score from 1 to 5.

After running inference with HERCULE, the output will include feedback and a score, separated by the phrase [RESULT].

###Task Description:
An instruction (might include an Input inside it), a response to evaluate, a reference answer that gets a score of 5, and a score rubric representing a evaluation criteria are given.
1. Write a detailed feedback that assess the quality of the response strictly based on the given score rubric, not evaluating in general.
2. After writing a feedback, write a score that is an integer between 1 and 5. You should refer to the score rubric.
3. The output format should look as follows: \"Feedback: (write a feedback for criteria) [RESULT] (an integer number between 1 and 5)\"
4. Please do not generate any other opening, closing, and explanations.

###The instruction to evaluate:
{instruction}

###Response to evaluate:
{response}

###Reference Answer (Score 5):
{reference_answer}

###Score Rubrics:
[{criteria}]
Score 1: {score1_rubric}
Score 2: {score2_rubric}
Score 3: {score3_rubric}
Score 4: {score4_rubric}
Score 5: {score5_rubric}

###Feedback: 

We use the same evaluation prompt as used in Prometheus 2.

Links for Reference

License

Intel training data is created from Feedback Collection which is subject to OpenAI's Terms of Use for the generated data. If you suspect any violations, please reach out to us.

Citation

If you find the following model helpful, please consider citing our paper!

BibTeX:

@article{doddapaneni2024crosslingual,
  title   = {Cross-Lingual Auto Evaluation for Assessing Multilingual LLMs},
  author  = {Sumanth Doddapaneni and Mohammed Safi Ur Rahman Khan and Dilip Venkatesh and Raj Dabre and Anoop Kunchukuttan and Mitesh M. Khapra},
  year    = {2024},
  journal = {arXiv preprint arXiv: 2410.13394}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
c89fb99

0 моделей