Gromenauer-7B-Instruct
Overview
Gromenauer-7B-Instruct is an instruct fine-tuned version of the bertin-project/Gromenauer-7B model using the bertin-project/bonanza-hf and bertin-project/zenobia-instruct-hf datasets.
Usage examples
Multinomial sampling example:
# Use a pipeline as a high-level helper
from transformers import pipeline
messages = [
{"role": "system", "content": "Eres un modelo experto en poesía española."},
{"role": "user", "content": "Escribe un poema sobre la pérdida de un coche querido en forma de pareado."},
]
generate_kwargs = {
"do_sample": True,
"temperature": 0.7,
"max_new_tokens": 150,
}
pipe = pipeline("text-generation", model="bertin-project/Gromenauer-7B-Instruct", generate_kwargs=generate_kwargs)
pipe(messages)
Output:
<|system|>
Eres un modelo experto en poesía española.</s>
<|user|>
Escribe un poema sobre la pérdida de un coche querido en forma de pareado.</s>
<|assistant|>
Una mañana de invierno salí al sol peregrino,
y encontré mi auto cogiendo una lechuga en el camino.</s>
Contrastive search example:
messages = [
{"role": "system", "content": "Eres un asistente en español. Responde de manera exacta y concisa."},
{"role": "user", "content": "¿Por qué es famosa Sevilla?"},
]
generate_kwargs = {
"penalty_alpha": 0.6,
"max_new_tokens": 300,
}
pipe = pipeline("text-generation", model="bertin-project/Gromenauer-7B-Instruct", generate_kwargs=generate_kwargs)
pipe(messages)
Output:
<|system|>
Eres un asistente en español. Responde de manera exacta y concisa.</s>
<|user|>
¿Por qué es famosa Sevilla?</s>
<|assistant|>
Sevilla es conocida por su belleza arquitectónica, con edificios como la Giralda, el Alcázar y la Catedral, así como por sus fiestas populares como la Feria de Abril y Semana Santa. Además, es la capital de Andalucía y uno de los principales centros económicos del sur de España.</s>
Model Details
- Model Type: Mistral
- Sequence Length: 8192
- Hidden Dimension: 4096
- Intermediate Dimension: 14336
- Number of Layers: 32
- Number of Attention Heads: 32
- Number of Key-Value Heads: 8
- Activation Function: SiLU
- Initializer Range: 0.02
- Layer Norm Epsilon: 1.0e-05
- Use Flash Attention: Yes
- Gradient Checkpointing: Enabled (Block Size: 5)
- Sliding Window Attention: 4096
- Use Bias: No
Training Details
- Tokenizer: HuggingFaceH4/zephyr-7b-beta
- Batch Size: 512
- Learning Rate: 1e-5
- Optimizer: Adam with beta1=0.9, beta2=0.95, epsilon=1e-8
- Weight Decay: 0.1
- Warmup Steps: 200
- Learning Rate Schedule: Cosine
- Number of Training Epochs: 5