/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
3,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Опубликована
1 авг 2024

arcee-lite

Генерация текстаТекст → текст7 профессий

Arcee-Lite — компактная дистиллированная языковая модель на 1,5 млрд параметров для генерации текста и диалогов на устройствах с ограниченными ресурсами.

154скачиваний за 30 дней25лайковвеса обновлены1 авг 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

Arcee-Lite — компактная языковая модель на 1,5 млрд параметров, разработанная Arcee AI в рамках открытого проекта DistillKit. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации текста и диалогового общения. В README указано, что модель создана путём дистилляции Phi-3-Medium и объединения с другими дистиллятами; для неё приводится результат 55,93 на тесте MMLU.

Модель рассчитана на сценарии, где важны небольшой размер и работа при ограниченных вычислительных ресурсах: встраиваемые устройства, мобильные приложения и периферийные вычисления. Контекст составляет до 32 768 токенов. Модель принимает и выдаёт текст; метаданные отмечают поддержку чата. Репозиторий содержит веса в формате safetensors.

Модель распространяется по лицензии Apache-2.0. README приводит внутренние оценки и предупреждает, что их следует использовать для относительного сравнения моделей, а не напрямую сопоставлять с результатами OpenLLM Leaderboard.

Сценарии применения

  • генерация текста на мобильных устройствах
  • создание диалогового помощника для встраиваемой системы
  • запуск языковой модели на периферийном устройстве
  • ответы и генерация текста в приложениях с ограниченными вычислительными ресурсами

Ограничения

README не уточняет поддерживаемые естественные языки. Приведённый результат MMLU основан на внутренних оценках и, согласно карточке, предназначен для относительного сравнения моделей.

Для каких профессий подходит7

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

Arcee-Lite is a compact yet powerful 1.5B parameter language model developed as part of the DistillKit open-source project. Despite its small size, Arcee-Lite demonstrates impressive performance, particularly in the MMLU (Massive Multitask Language Understanding) benchmark.

GGUFS available here

Key Features

  • Model Size: 1.5 billion parameters
  • MMLU Score: 55.93
  • Distillation Source: Phi-3-Medium
  • Enhanced Performance: Merged with high-performing distillations

About DistillKit

DistillKit is our new open-source project focused on creating efficient, smaller models that maintain high performance. Arcee-Lite is one of the first models to emerge from this initiative.

Performance

Arcee-Lite showcases remarkable capabilities for its size:

  • Achieves a 55.93 score on the MMLU benchmark
  • Demonstrates exceptional performance across various tasks

Use Cases

Arcee-Lite is suitable for a wide range of applications where a balance between model size and performance is crucial:

  • Embedded systems
  • Mobile applications
  • Edge computing
  • Resource-constrained environments

Please note that our internal evaluations were consistantly higher than their counterparts on the OpenLLM Leaderboard - and should only be compared against the relative performance between the models, not weighed against the leaderboard.


Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
c5cb9c3

0 моделей