/ Модель

Характеристики

Контекст
514 токенов
Параметры
305 млн
Лицензия
Apache 2.0
Архитектура
xlm-roberta · dense
Опубликована
3 апр 2023

alpaca-garbage-collector-multilingual

ЭмбеддингиТекст → embedding4 профессии

Многоязычный бинарный классификатор Argilla для выявления ошибочных примеров в датасетах инструкций Alpaca и других instruction-following наборов данных.

35скачиваний за 30 дней19лайковвеса обновлены4 апр 2023

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 «Эмбеддинги» — 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

Alpaca GarbageCollector Multilingual — модель Argilla для поиска некорректных примеров в Alpaca и других датасетах инструкций. Это бинарный классификатор на базе SetFit и XLM-RoBERTa с 305,2 млн параметров; он присваивает примеру метку ALL GOOD или BAD INSTRUCTION. Модель дообучена на 1 000 размеченных примерах из AlpacaCleaned с помощью Argilla и использует многоязычный sentence transformer paraphrase-multilingual-mpnet-base-v2.

Модель предназначена для проверки качества обучающих данных: она помогает находить инструкции, входы или ответы с проблемами, например выдуманными сведениями о ценах или описаниями несуществующих изображений. В README приведены испытания на английском, немецком и испанском языках; заявлен межъязыковой подход. В метаданных указан контекст 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • Фильтрация некорректных примеров в датасете Alpaca
  • Поиск противоречивых или ошибочных ответов в наборах инструкций
  • Проверка качества инструкций и входных данных перед обучением LLM
  • Межъязыковая разметка примеров как корректных или проблемных

Ограничения

README подтверждает испытания на английском, немецком и испанском языках, но не приводит количественных метрик качества или данных о проверке на других языках. Модель классифицирует примеры по двум меткам, поэтому результаты требуют проверки для новых доменов и типов ошибок.

Для каких профессий подходит4

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

🚮 🦙 Alpaca GarbageCollector

Announcement tweet

A cross-lingual SetFit model to detect bad instructions from Alpaca Datasets and other instruction-following datasets. GarbageCollector can greatly speed up the validation of instruction-datasets across many languages, flagging examples that need to be fixed or simply discarded.

Data quality is key for LLMs, but open-source LLMs are being built with data of "unknown" quality. This model can help practitioners to find and fix frequent issues (e.g., the model hallucinating stock prices, describing non-existing images, etc.)

The model has been fine-tuned with 1,000 labeled examples from the AlpacaCleaned dataset labeled with Argilla. It leverages a multilingual sentence transformer paraphrase-multilingual-mpnet-base-v2, inspired by the findings from the SetFit paper (Section 6. Multilingual experiments.), where they trained models in English that performed well across languages.

It's a binary classifier with two labels:

  • ALL GOOD, a given instruction, input, and output are correct,
  • BAD INSTRUCTION, there's an issue with the instruction, and/or input and output.

This model can be used as follows (see full usage instructions below):

from setfit import SetFitModel

# Download from Hub
model = SetFitModel.from_pretrained(
  "argilla/alpaca-garbage-collector-multilingual"
)

text = """
INSTRUCTION: 
Gebt mir drei Adjektive, um dieses Foto zu beschreiben.
INPUT: 
[photo]
OUTPUT: 
Auffällig, lebhaft, ruhig.
"""
model.predict([text])

Output: BAD INSTRUCTION

Usage

To use this model for inference, first install the SetFit library:

python -m pip install setfit

Load your Alpaca Dataset:

from datasets import Dataset, load_dataset

import pandas as pd

# this can be a translation (e.g., Spanish, Camoscio Italian Alpaca, etc.)
dataset = pd.read_json("https://github.com/gururise/AlpacaDataCleaned/raw/main/alpaca_data_cleaned.json")

dataset["id"] = [i for i in range(len(dataset))]

ds = Dataset.from_pandas(dataset)

Create a text field containing the instruction, input and output to use for inference:

def transform(r):
  return {
      "text": f"INSTRUCTION:\n{r['instruction']}\nINPUT:\n{r['input']}\nOUTPUT:\n{r['output']}\n"
  }
ds = ds.map(transform)

Load the model:

from setfit import SetFitModel

# Download from Hub
model = SetFitModel.from_pretrained("argilla/alpaca-garbage-collector-multilingual")

Perform inference and prediction col to your dataset:

labels = ["ALL GOOD", "BAD INSTRUCTION"]

def get_predictions(texts):
    probas = model.predict_proba(texts, as_numpy=True)
    for pred in probas:
        yield [{"label": label, "score": score} for label, score in zip(labels, pred)]

ds = ds.map(lambda batch: {"prediction": list(get_predictions(batch["text"]))}, batched=True)

Load the data into Argilla for exploration and validation. First, you need to launch Argilla. Then run:

# Replace api_url with the url to your HF Spaces URL if using Spaces
# Replace api_key if you configured a custom API key
rg.init(
    api_url="https://your-agilla-instance.hf.space", 
    api_key="team.apikey"
)

rg_dataset = rg.DatasetForTextClassification().from_datasets(ds)
rg.log(records=rg_dataset, name="alpaca_to_clean")

Live demo

You can explore the dataset using this Space (credentials: argilla / 1234):

Examples

This model has been tested with English, German, and Spanish. This approach will be used by ongoing efforts for improving the quality of Alpaca-based datasets, and updates will be reflected here.

Here are some examples of highest scored examples of BAD INSTRUCTION.

English

German

Spanish

BibTeX entry and citation info

@article{https://doi.org/10.48550/arxiv.2209.11055,
doi = {10.48550/ARXIV.2209.11055},
url = {https://arxiv.org/abs/2209.11055},
author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
title = {Efficient Few-Shot Learning Without Prompts},
publisher = {arXiv},
year = {2022},
copyright = {Creative Commons Attribution 4.0 International}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
XLMRobertaModel
Ревизия весов
f7fcbfb

0 моделей