Характеристики

Контекст: 8 192 токена
Параметры: 7,5 млрд
Размер весов: 16,1 ГБ
Лицензия: MIT
Архитектура: llama · dense
Базовая модель: dolphin-2.9-llama3-8b
Библиотека: transformers
Опубликована: 1 мая 2024

Ссылки

Hugging Face arXiv 2311.03099 arXiv 2306.01708

CosmicBun-8B

Генерация текстаТекст → текст4 профессии

CosmicBun-8B — объединённая модель Llama 3 для диалогов и генерации текста с акцентом на математические и научные вопросы.

40скачиваний за 30 дней4лайкавеса обновлены2 мая 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

CosmicBun-8B — объединённая языковая модель семейства Llama 3, созданная автором aloobun методом DARE TIES с помощью mergekit. В качестве основы использована Locutusque/llama-3-neural-chat-v1-8b; в объединение также вошли cognitivecomputations/dolphin-2.9-llama3-8b и Weyaxi/Einstein-v6.1-Llama3-8B.

Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста в диалоговом режиме. Контекст — до 8192 токенов. По назначению и составу объединённых моделей она подходит для общения и ответов на вопросы, особенно по математике и другим STEM-дисциплинам. В README приведены результаты оценивания на нескольких бенчмарках, включая средний балл 68,81.

Модель распространяется по лицензии MIT. Результаты бенчмарков сами по себе не гарантируют точность ответов; модель может ошибаться в вычислениях и научных фактах.

Сценарии применения

ответы на вопросы по математике и физике
объяснение научных понятий
диалоговое общение с языковой моделью
генерация ответов на инструкции
помощь с вопросами по химии и биологии

Ограничения

Модель может ошибаться в вычислениях и научных фактах; приведённые в README результаты бенчмарков не гарантируют точность в прикладных задачах.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модель I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model

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

Merge Method

This model was merged using the DARE TIES merge method using Locutusque/llama-3-neural-chat-v1-8b as a base.

Models Merged

The following models were included in the merge:

Configuration

The following YAML configuration was used to produce this model:

base_model: Locutusque/llama-3-neural-chat-v1-8b
dtype: bfloat16
merge_method: dare_ties
parameters:
  int8_mask: 1.0
  normalize: 0.0
slices:
- sources:
  - layer_range: [0, 4]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 1.0
      weight: 0.6
  - layer_range: [0, 4]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.6
      weight: 0.5
  - layer_range: [0, 4]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 1.0
      weight: 0.5
- sources:
  - layer_range: [4, 8]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 0.8
      weight: 0.1
  - layer_range: [4, 8]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 1.0
      weight: 0.2
  - layer_range: [4, 8]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 1.0
      weight: 0.7
- sources:
  - layer_range: [8, 12]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 0.7
      weight: 0.1
  - layer_range: [8, 12]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.7
      weight: 0.2
  - layer_range: [8, 12]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 0.7
      weight: 0.6
- sources:
  - layer_range: [12, 16]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 0.9
      weight: 0.2
  - layer_range: [12, 16]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.6
      weight: 0.6
  - layer_range: [12, 16]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 0.7
      weight: 0.3
- sources:
  - layer_range: [16, 20]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 1.0
      weight: 0.2
  - layer_range: [16, 20]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 1.0
      weight: 0.2
  - layer_range: [16, 20]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 0.9
      weight: 0.4
- sources:
  - layer_range: [20, 24]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 0.7
      weight: 0.2
  - layer_range: [20, 24]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.9
      weight: 0.3
  - layer_range: [20, 24]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 1.0
      weight: 0.4
- sources:
  - layer_range: [24, 28]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 1.0
      weight: 0.4
  - layer_range: [24, 28]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.8
      weight: 0.2
  - layer_range: [24, 28]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 0.9
      weight: 0.4
- sources:
  - layer_range: [28, 32]
    model: cognitivecomputations/dolphin-2.9-llama3-8b
    parameters:
      density: 1.0
      weight: 0.3
  - layer_range: [28, 32]
    model: Weyaxi/Einstein-v6.1-Llama3-8B
    parameters:
      density: 0.9
      weight: 0.2
  - layer_range: [28, 32]
    model: Locutusque/llama-3-neural-chat-v1-8b
    parameters:
      density: 1.0
      weight: 0.3

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

Metric	Value
Avg.	68.81
AI2 Reasoning Challenge (25-Shot)	61.86
HellaSwag (10-Shot)	84.29
MMLU (5-Shot)	65.53
TruthfulQA (0-shot)	54.08
Winogrande (5-shot)	78.85
GSM8k (5-shot)	68.23

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: 1080aeb