/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
22 янв 2025

Bespoke-Stratos-7B

Генерация текстаТекст → текст3 профессии

Дообученная на примерах математических рассуждений модель Qwen2.5-7B для диалогов и генерации текста.

469скачиваний за 30 дней30лайковвеса обновлены23 янв 2025

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

Bespoke-Stratos-7B — языковая модель Bespoke Labs, дообученная на Qwen/Qwen2.5-7B-Instruct на наборе Bespoke-Stratos-17k. Набор получен дистилляцией DeepSeek-R1 с использованием модифицированного конвейера Berkeley NovaSky Sky-T1. Модель предназначена для генерации текста в диалоге и решения задач, требующих математических рассуждений.

Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров; принимает текст и генерирует текст. Контекст — до 32 768 токенов. В опубликованных тестах она показала более высокие результаты по AIME 2024, MATH500 и GPQA-Diamond, чем исходная Qwen2.5-7B-Instruct, однако уступила приведённым результатам DeepSeek-R1-Distill-Qwen-7B. Модель выпущена под лицензией Apache 2.0.

Сценарии применения

  • решение математических задач с пошаговыми рассуждениями
  • ответы на вопросы по математике и естественным наукам
  • проверка и объяснение решений задач
  • диалоговое решение задач на русском? нет, англоязычных материалах

Ограничения

В приведённых тестах модель уступает DeepSeek-R1-Distill-Qwen-7B; README отмечает, что улучшение относительно базовой модели не достигает масштаба результатов этой дистиллированной модели.

Для каких профессий подходит3

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

Model description

This model is a fine-tuned version of Qwen/Qwen2.5-7B-Instruct on the Bespoke-Stratos-17k dataset. The dataset is derived by distilling DeepSeek-R1 using the data pipeline of Berkeley NovaSky’s Sky-T1 with some modifications. More info in the dataset card at Bespoke-Stratos-17k. It outperforms Qwen-2.5-7B-Instruct on math reasoning benchmarks:

Bespoke-Stratos-7BQwen2.5-7B-InstructDeepSeek-R1-Distill-Qwen-7B (Ours)DeepSeek-R1-Distill-Qwen-7B (Reported)
AIME202420.010.043.355.5
MATH50082.074.289.492.8
GPQA-Diamond37.833.344.949.1
LiveCodeBench v2 Easy71.465.981.3-
LiveCodeBench v2 Medium25.518.942.2-
LiveCodeBench v2 Hard1.63.32.4-
LiveCodeBench v2 All36.131.946.6-

Note that the authors of Sky-T1 had noted that they saw little or no improvement in training 7B or 14B models with their data. However, see an improvement, though not at the scale of DeepSeek's distilled model. The reason could be that we used 17k examples, while DeepSeek seems to have used 800k.

Intended uses & limitations

Apache 2.0 License

Training procedure

We used 8xH100 to train the model for 7 hours.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 1
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 12
  • total_train_batch_size: 96
  • total_eval_batch_size: 64
  • optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 3.0

Training results

Framework versions

  • Transformers 4.46.1
  • Pytorch 2.5.1+cu124
  • Datasets 3.1.0
  • Tokenizers 0.20.3

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
8fc949d

0 моделей