/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
3,5 млрд
Размер весов
5,6 ГБ
Лицензия
MIT
Архитектура
phi · dense
Базовая модель
phi-2
Библиотека
peft
Опубликована
17 янв 2024

phi2-QA-Arabic-phi

Генерация текстаТекст → текст

PEFT-адаптер Phi-2, дообученный для генерации текста и ответов на вопросы на арабском языке.

6скачиваний за 30 дней0лайковвеса обновлены21 янв 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

dalyaff/phi2-QA-Arabic-phi — дообученная модель Microsoft Phi-2 для генерации текста и ответов на вопросы. Она имеет плотную архитектуру PhiForCausalLM, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов. В README указана настройка для арабских вопросов, однако обучающий набор данных не описан.

Модель распространяется как PEFT-адаптер в формате safetensors и основана на microsoft/phi-2. Лицензия — MIT. README приводит значение loss 0,7778 на наборе оценки, но не уточняет методику оценки; назначение и качество модели требуют проверки на целевых данных.

Сценарии применения

  • ответы на вопросы на арабском языке
  • генерация арабского текста
  • адаптация Phi-2 для арабоязычного QA

Ограничения

Обучающий датасет и подробности оценки не описаны; приведён только loss 0,7778 без методики. Для работы адаптеру требуется базовая модель microsoft/phi-2.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

phi2-QA-Arabic-phi

This model is a fine-tuned version of microsoft/phi-2 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 0.7778

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 2.5e-05
  • train_batch_size: 2
  • eval_batch_size: 8
  • seed: 42
  • gradient_accumulation_steps: 4
  • total_train_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 5
  • training_steps: 2500

Training results

Training LossEpochStepValidation Loss
1.11340.891001.0092
0.87681.782000.8800
0.76442.673000.8329
0.75163.564000.8081
0.66184.445000.7909
0.63735.336000.7845
0.61546.227000.7688
0.60567.118000.7716
0.57198.09000.7662
0.55758.8910000.7700
0.53029.7811000.7689
0.546510.6712000.7688
0.532111.5613000.7719
0.514112.4414000.7684
0.503313.3315000.7716
0.493114.2216000.7664
0.488215.1117000.7739
0.474216.018000.7757
0.470116.8919000.7717
0.493217.7820000.7748
0.466518.6721000.7734
0.461419.5622000.7809
0.466920.4423000.7793
0.463521.3324000.7750
0.45222.2225000.7778

Framework versions

  • PEFT 0.7.2.dev0
  • Transformers 4.38.0.dev0
  • Pytorch 2.1.0+cu121
  • Datasets 2.16.1
  • Tokenizers 0.15.0

Как запустить

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

GPU в ailist

Универсальный рантайм · peft

Нельзя запустить

Репозиторий содержит только адаптер (LoRA/PEFT) без базовой модели.

Класс архитектуры
PhiForCausalLM
Ревизия весов
e50d76f

0 моделей