/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,6 млрд
Размер весов
7,9 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
23 фев 2024

Reyna-CoT-4B-v0.1

Генерация текстаТекст → текст3 профессии

Экспериментальная дообученная модель на базе Qwen/Qwen1.5-4B для генерации ответов с пошаговыми рассуждениями и решения задач вопросов и ответов.

67скачиваний за 30 дней6лайковвеса обновлены23 фев 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

Reyna-CoT-4B-v0.1 — плотная языковая модель, дообученная автором aloobun на базе Qwen/Qwen1.5-4B. Экспериментальная настройка ориентирована на улучшение пошаговых рассуждений (Chain of Thought) у небольших языковых моделей; обучение проводилось на задачах рассуждения, ответов на вопросы без обращения к внешним источникам и этических вопросах. В качестве данных использованы подборки из CoT-Collection, TinyCoT и небольшая часть OpenHermes-2.5.

Модель построена на архитектуре Qwen2ForCausalLM, содержит 3,6 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, в том числе ответы с промежуточными шагами рассуждения. В README приведён пример решения простой арифметической задачи; результаты бенчмарков пока не представлены.

Лицензия указана как other, поэтому условия повторного использования следует проверять в файлах репозитория. Модель предназначена для экспериментов с рассуждением на компактных языковых моделях; качество и надёжность ответов не подтверждены опубликованными бенчмарками.

Сценарии применения

  • Пошаговое решение простых арифметических задач
  • Ответы на вопросы без обращения к внешним источникам
  • Генерация объяснений с промежуточными рассуждениями
  • Ответы на вопросы об этических дилеммах
  • Эксперименты с Chain of Thought на компактной языковой модели

Ограничения

Бенчмарки обозначены как находящиеся в работе, поэтому опубликованной оценки качества нет. Лицензия указана как other; перед повторным использованием нужно проверить её условия в репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Reyna aloobun qwen4B

  • Finetuned Qwen/Qwen1.5-4B, on variety of CoT tasks including Reasoning, Closed Book Question Answering, Ethics, and more.
  • Datasets : Curated from - kaist-ai/CoT-Collection, euclaise/TinyCoT and a very small subset from teknium/OpenHermes-2.5.
  • This marks the fourth model in this series. This experiment aims to improve Chain of Thought (CoT) capabilities on smaller language models.
  • I may rerun the finetuning experiment(with a more balanced dataset), using an iterative rationale-bootstrapping procedure inspired by euclaise/Memphis-CoT-3B.
  • Hyperparameter: adamw with eps of 1e-8, cosine decay with 20% warmup, lr=2e-5

Benchamrks:

WIP

Example:

from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer, StoppingCriteria
import torch

class MyStoppingCriteria(StoppingCriteria):
  def __init__(self, target_sequence, prompt):
    self.target_sequence = target_sequence
    self.prompt=prompt

  def __call__(self, input_ids, scores, **kwargs):
    generated_text = tokenizer.decode(input_ids[0])
    generated_text = generated_text.replace(self.prompt,'')
    if self.target_sequence in generated_text:
        return True 
    return False 

  def __len__(self):
    return 1

  def __iter__(self):
    yield self

modelpath="aloobun/Reyna-CoT-4B-v0.1"

model = AutoModelForCausalLM.from_pretrained(
    modelpath,
    torch_dtype=torch.bfloat16,
    device_map="cuda",
    trust_remote_code=True,       
)

tokenizer = AutoTokenizer.from_pretrained(
    modelpath,
    trust_remote_code=True,      
    use_fast=False,
)

prompt = "Avery opens a flower shop. She ties 8 bunches of flowers with 9 flowers in each bunch. How many bunches would she have if she put 12 flowers in each bunch instead?\n"

encoded_input = tokenizer(prompt, return_tensors='pt')
input_ids=encoded_input['input_ids'].cuda()
streamer = TextStreamer(tokenizer=tokenizer, skip_prompt=True)
op = model.generate(
    input_ids,
    streamer=streamer,
    pad_token_id=tokenizer.eos_token_id,
    do_sample=True,
    temperature=0.6,
    top_p=0.8,
    max_new_tokens=512,
    stopping_criteria=MyStoppingCriteria("<|endoftext|>", prompt)
)

Output:

She would have 8 x 9 = 72 flowers in total. She would have 72 / 12 = 6 bunches of flowers with 12 flowers in each bunch. Therefore, the answer is 6.<|endoftext|>

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
d186533

0 моделей