/ Модель

Характеристики

Размер весов
15 ГБ
Лицензия
MIT
Архитектура
mpt · dense
Опубликована
30 окт 2023

SEA-LION-v1-7B

Генерация текстаТекст → текст5 профессий

Базовая 7-миллиардная модель MPT от AI Singapore для генерации текста на английском и языках Юго-Восточной Азии.

306скачиваний за 30 дней43лайкавеса обновлены25 авг 2026

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

SEA-LION-v1-7B — базовая языковая модель, разработанная командой Products Pillar организации AI Singapore при финансировании NRF Singapore. Это декодер на архитектуре MPT с 7 млрд параметров, словарём размером 256 тыс. токенов и токенизатором SEABPETokenizer на основе BPE, настроенным для языков Юго-Восточной Азии. Модель предварительно обучена на 980 млрд токенов и предназначена для генерации текста с учётом регионального языкового и культурного контекста.

Модель поддерживает английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки. В карточке приведены результаты оценки общих задач на английском языке. Это базовая модель без инструкционной настройки и выравнивания по безопасности, поэтому для диалоговых приложений и пользовательских сценариев может потребоваться дополнительная настройка и проверка. Лицензия — MIT.

Сценарии применения

  • генерация текста на языках Юго-Восточной Азии
  • продолжение текста на индонезийском или малайском
  • генерация ответов и черновиков на тайском или вьетнамском
  • создание текста на китайском и английском
  • дообучение языковой модели для региональных сценариев

Ограничения

Модель не выровнена по безопасности и не настроена для следования инструкциям; перед использованием в диалоговых приложениях рекомендуется дополнительная настройка и проверка. Опубликованные в карточке общие бенчмарки относятся к английскому языку.

Для каких профессий подходит5

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

SEA-LION-v1-7B

SEA-LION is a collection of Large Language Models (LLMs) which has been pretrained and instruct-tuned for the Southeast Asia (SEA) region. The size of the models range from 3 billion to 7 billion parameters. This is the card for the SEA-LION 7B base model.

SEA-LION stands for Southeast Asian Languages In One Network.

Model Details

Model Description

The SEA-LION model is a significant leap forward in the field of Natural Language Processing, specifically trained to understand the SEA regional context.

SEA-LION-v1-7B is built on the robust MPT architecture and has a vocabulary size of 256K.

For tokenization, the model employs our custom SEABPETokenizer, which is specially tailored for SEA languages, ensuring optimal model performance.

The training data for SEA-LION-v1-7B encompasses 980B tokens.

  • Developed by: Products Pillar, AI Singapore
  • Funded by: Singapore NRF
  • Model type: Decoder
  • Languages: English, Chinese, Indonesian, Malay, Thai, Vietnamese, Filipino, Tamil, Burmese, Khmer, Lao
  • License: MIT License

Performance Benchmarks

SEA-LION-v1-7B has an average performance on general tasks in English (as measured by Hugging Face's LLM Leaderboard):

ModelARCHellaSwagMMLUTruthfulQAAverage
SEA-LION 7B39.9368.5126.8735.0942.60

Training Details

Data

SEA-LION-v1-7B was trained on 980B tokens of the following data:

Data SourceUnique TokensMultiplierTotal TokensPercentage
RefinedWeb - English571.3B1571.3B58.20%
mC4 - Chinese91.2B191.2B9.29%
mC4 - Indonesian3.68B414.7B1.50%
mC4 - Malay0.72B42.9B0.29%
mC4 - Filipino1.32B45.3B0.54%
mC4 - Burmese1.2B44.9B0.49%
mC4 - Vietnamese63.4B163.4B6.46%
mC4 - Thai5.8B211.6B1.18%
WangChanBERTa - Thai5B210B1.02%
mC4 - Lao0.27B41.1B0.12%
mC4 - Khmer0.97B43.9B0.40%
mC4 - Tamil2.55B410.2B1.04%
the Stack - Python20.9B241.8B4.26%
the Stack - Javascript55.6B155.6B5.66%
the Stack - Shell1.25B22.5B0.26%
the Stack - SQL6.4B212.8B1.31%
the Stack - Markdown26.6B126.6B2.71%
RedPajama - StackExchange21.2B121.2B2.16%
RedPajama - ArXiv30.6B130.6B3.12%

Lineage & Versioning Note

The training counts and dataset mixture details reported in this model card reflect the exact constructed training pool consumed during this specific model run. Figures may differ slightly from public dataset releases, which represent downloadable open-source subsets of the broader corpus.

Infrastructure

SEA-LION-v1-7B was trained using MosaicML Composer on the following hardware:

Training DetailsSEA-LION-v1-7B
AWS EC2 p4d.24xlarge32 instances
Nvidia A100 40GB GPU256
Training Duration22 days

Configuration

HyperParameterSEA-LION-v1-7B
Precisionbfloat16
Optimizerdecoupled_adamw
Schedulercosine_with_warmup
Learning Rate6.0e-5
Global Batch Size2048
Micro Batch Size4

Technical Specifications

Model Architecture and Objective

SEA-LION-v1-7B is a decoder model using the MPT architecture.

ParameterSEA-LION-v1-7B
Layers32
d_model4096
head_dim32
Vocabulary256000
Sequence Length2048

Tokenizer Details

We sample 20M lines from the training data to train the tokenizer. The framework for training is SentencePiece. The tokenizer type is Byte-Pair Encoding (BPE).

The Team

Lam Wen Zhi Clarence Leong Wei Qi Li Yier Liu Bing Jie Darius Lovenia Holy Montalan Jann Railey Ng Boon Cheong Raymond Ngui Jian Gang Nguyen Thanh Ngan Ong Tat-Wee David Rengarajan Hamsawardhini Susanto Yosephine Tai Ngee Chia Tan Choon Meng Teo Jin Howe Teo Eng Sipp Leslie Teo Wei Yi Tjhi William Yeo Yeow Tong Yong Xianbin

Acknowledgements

AI Singapore is a national programme supported by the National Research Foundation, Singapore and hosted by the National University of Singapore. Any opinions, findings and conclusions or recommendations expressed in this material are those of the author(s) and do not reflect the views of National Research Foundation, Singapore.

Contact

For more info, please contact us using this SEA-LION Inquiry Form

Link to SEA-LION's GitHub repository

Disclaimer

This the repository for the base model. The model has not been aligned for safety. Developers and users should perform their own safety fine-tuning and related security measures. In no event shall the authors be held liable for any claim, damages, or other liability arising from the use of the released weights and codes.

References

Thai Pre-Training Data Reference

@misc{lowphansirikul2021wangchanberta,
    title={WangchanBERTa: Pretraining transformer-based Thai Language Models},
    author={Lalita Lowphansirikul and Charin Polpanumas and Nawat Jantrakulchai and Sarana Nutanong},
    year={2021},
    eprint={2101.09635},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MPTForCausalLM
Ревизия весов
786e4cd

0 моделей