/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
3,7 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
16 фев 2024

Reyna-Mini-1.8B-v0.2

Генерация текстаТекст → текст5 профессий

Диалоговая модель на базе Qwen1.5-1.8B-Chat, дообученная на Hercules v3 для генерации текста и ответов в чате.

87скачиваний за 30 дней12лайковвеса обновлены4 мар 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-Mini-1.8B-v0.2 — диалоговая языковая модель, созданная aloobun на основе Qwen/Qwen1.5-1.8B-Chat и дообученная методом SFT на наборе Hercules v3. Модель использует архитектуру Qwen2 и формат диалога ChatML; заявленная длина контекста — 32 768 токенов.

Модель предназначена для генерации текста и ответов в формате чата. В карточке приведены результаты нескольких тестов рассуждения и генерации, включая ARC, HellaSwag, MMLU и GSM8K. Автор отмечает, что следующим этапом обучения планировалась DPO-настройка.

Модель распространяется в формате safetensors под лицензией other; конкретные условия лицензии следует проверять в репозитории. Показатели тестов и пример ответа из карточки не гарантируют качество на других задачах.

Сценарии применения

  • ответы на пользовательские вопросы в чате
  • генерация связных текстовых ответов
  • создание диалогового помощника на базе ChatML

Ограничения

В README приведены результаты ограниченного набора бенчмарков и единичный пример ответа; они не гарантируют качество в конкретных сценариях. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории.

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

Reyna aloobun qwen0.5B

  • Finetuned Qwen/Qwen1.5-1.8B-Chat, with SFT on Hercules v3 dataset.
  • This marks the third model in this series.
  • Format: ChatML -
      <|im_start|>system
      {system}<|im_end|>
      <|im_start|>user
      {prompt}<|im_end|>
      <|im_start|>assistant
    
  • Next step would be to do a DPO train on top.

Benchamrks:

Avg.ArcHellaSwagMMLUTruthfulQAWinograndeGSM8K
45.9436.660.1944.7541.2461.5631.31

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-Mini-1.8B-v0.2"

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 = "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\nIs there inherent order in nature or is it all chaos and chance?<|im_end|>\n<|im_start|>assistant\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("<|im_end|>", prompt)
)

Output:

Nature appears to be inherently organized, with patterns and structures that can be observed across different levels of organization. However, the exact mechanisms by which these patterns emerge and evolve remain largely unknown. The universe seems to be governed by a series of laws and principles known as "laws of physics," such as Newton's laws of motion, electromagnetism, and thermodynamics. These laws govern how matter and energy interact with each other and how they behave over time. Despite our understanding of these laws, we still struggle to comprehend the underlying mechanisms that allow for the emergence of complex patterns and structures. This is because the universe operates on a scale that is too small for us to observe directly, and therefore we cannot fully understand its internal workings. In summary, while there may be some level of order and structure within the universe, the precise mechanisms governing this order remain largely unknown.<|im_end|>

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.45.94
AI2 Reasoning Challenge (25-Shot)36.60
HellaSwag (10-Shot)60.19
MMLU (5-Shot)44.75
TruthfulQA (0-shot)41.24
Winogrande (5-shot)61.56
GSM8k (5-shot)31.31

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
3028ad7

0 моделей