Характеристики

Контекст: 8 192 токена
Параметры: 464 млн
Размер весов: 1 ГБ
Лицензия: Apache 2.0
Архитектура: llama · dense
Опубликована: 14 дек 2024

Ссылки

arco-2.1

Генерация текстаТекст → текст3 профессии

Компактная слитая модель Llama для генерации текста и простых англоязычных задач, с экспериментальным упором на ARC Challenge.

12скачиваний за 30 дней0лайковвеса обновлены16 дек 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

appvoid/arco-2.1 — компактная языковая модель семейства Llama, созданная Appvoid как очередная итерация эксперимента по улучшению результатов arco на тесте ARC Challenge. Это плотная авторегрессионная модель с 464,4 млн параметров и контекстом до 8192 токенов. Предназначена для генерации текста и простых англоязычных задач, включая ответы на вопросы и тесты на рассуждение и общие знания.

В README приведены результаты zero-shot сравнений с небольшими языковыми моделями на ARC-C, MMLU, HellaSwag, PIQA и Winogrande; автор сообщает о небольшом улучшении arco на ARC. Шаблон промпта намеренно не задан. Модель получена слиянием нескольких моделей appvoid, включая arco-2 и arco-2-reasoning-20k. Распространяется по лицензии Apache-2.0.

Сценарии применения

ответы на вопросы ARC Challenge
решение англоязычных тестов на общие знания
zero-shot оценка на MMLU
ответы на вопросы по здравому смыслу в HellaSwag и PIQA
генерация текста в чат-сценариях

Ограничения

Автор сообщает лишь о небольшом улучшении на ARC и отмечает, что модель достигла предела на использованных тестах. В README не задан шаблон промпта, поэтому формат запросов нужно выбирать самостоятельно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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 II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

cubby

This is the latest iteration as an effort to make arco as good on arc as it can. So far it improved a little.

prompt

there is no prompt intentionally set.

benchmarks

zero-shot results from state-of-the-art small language models

Parameters	Model	MMLU	ARC-C	HellaSwag	PIQA	Winogrande	Average
0.5b	danube 3	24.81	36.18	60.46	73.78	61.01	51.25
0.5b	arco	26.17	37.29	62.88	74.37	62.27	52.60
0.5b	arco 2	25.51	38.82	63.02	74.70	61.25	52.66
0.5b	arco 2º	25.47	38.99	63.03	74.70	61.01	52.64

supporters

trivia

arco seems to keep improving on the same 3 benchmarks, reached its limit though.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: LlamaForCausalLM
Ревизия весов: 6be9b1b