Характеристики

Контекст: 4 096 токенов
Параметры: 6,6 млрд
Размер весов: 27 ГБ
Лицензия: Llama 2
Архитектура: llama · dense
Опубликована: 24 дек 2023

Ссылки

llama-2-7b-logit-watermark-distill-kgw-k1-gamma0.25-delta2

Генерация текстаТекст → текст3 профессии

Дистиллированная Llama 2 7B генерирует текст с логитным водяным знаком KGW для экспериментов с маркировкой машинного текста.

77скачиваний за 30 дней1лайквеса обновлены1 мая 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

cygu/llama-2-7b-logit-watermark-distill-kgw-k1-gamma0.25-delta2 — модель генерации текста на архитектуре Llama 2, разработанная как дистиллированная версия с логитным водяным знаком. В карточке указана стратегия KGW с параметрами k=1, γ=0,25 и δ=2, описанная в статье «On the Learnability of Watermarks for Language Models». Модель содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов.

Модель предназначена для генерации текста с водяным знаком KGW и исследования его обнаружения или устойчивости. Доступны веса PyTorch; для использования действует лицензия Llama 2. В метаданных указан набор данных OpenWebText, но подробности обучения и характеристики качества в карточке не раскрыты.

Сценарии применения

генерация текста с водяным знаком KGW
исследование обнаружения водяных знаков в тексте
оценка устойчивости водяных знаков при обработке текста

Ограничения

Карточка не описывает метрики качества, процедуру обнаружения водяного знака или языки модели. Для использования применяются условия лицензии Llama 2.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model description

Logit-based watermark distilled Llama 2 7B using the KGW \(k=1, \gamma=0.25, \delta=2\) watermarking strategy in the paper On the Learnability of Watermarks for Language Models.

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 16
eval_batch_size: 8
seed: 42
distributed_type: multi-GPU
num_devices: 4
total_train_batch_size: 64
total_eval_batch_size: 32
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 500
training_steps: 5000

Framework versions

Transformers 4.29.2
Pytorch 2.0.1+cu117
Datasets 2.13.1
Tokenizers 0.13.3

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: b2573c0