Model
🐘 Gaja
Gaja is a Hindi/Hinglish chat model, initially trained on SarvamAI's OpenHathi model and further fine-tuned for conversational interactions.
Inference
hey guys thanks to Bhabha AI, you guys can finally try my model
Additional Information
- It outperforms Airavata, AI4Bharat's chat version, on Huggingface OpenLLM benchmark suite.
- It was fine-tuned on only 1k samples
- The code for this can be found in The github code - Github
💬 Prompt template
<|im_start|>user
{}<|im_end|>
<|im_start|>assistant
{}<|im_end|>
😎 Features:
- Language Support: Gaja is designed to understand and generate responses in both Hindi and Hinglish, catering to a diverse range of users.
- Base Model: Built upon SarvamAI's OpenHathi model, Gaja inherits its foundational capabilities while being optimized for conversational tasks.
- Fine-tuning: Gaja has undergone fine-tuning specifically for chat-based interactions, enhancing its ability to engage in meaningful conversations with users.
- Experimental Platform: With its flexibility and adaptability, Gaja serves as a valuable platform for conducting experiments and exploring innovative approaches to chatbot development.
😤 Example Output
| User | Assistant |
|---|---|
| what is a large language model | एक बड़ा भाषा मॉडल, जिसे ML या LLM के रूप में भी जाना जाता है, एक प्रकार का एआई एल्गोरिथ्म है जो मानव भाषा को समझने और समझने में निपुण है। यह एल्गोरिथ्म एक बड़ी फिल्टरिंग योजना का उपयोग करता है, जो इसे बड़ी मात्रा में डेटा को संसाधित करने की अनुमति देता है। यह एल्गोरिथ्म एक बड़े डेटासेट से जानकारी निकालता है, जो आमतौर पर इंटरनेट पर पाया जाता है। यह एल्गोरिथ्म मानव भाषा के बारे में जानकारी को समझने और समझने के लिए कई एल्गोरिथमिक तरीकों का उपयोग करता है। बड़े भाषा मॉडल का उपयोग आमतौर पर संभावित संपर्क, अनुप्रयोगों की एक व्यापक श्रृंखला में किया जाता है। |
| How could AI help humans? | AI can help humans in several ways. Firstly, it can assist in decision-making by providing insights and data analysis. For example, AI-powered tools can help individuals and businesses make informed decisions based on real-time data.Secondly, AI can enhance productivity by automating repetitive and mundane tasks. This frees up time and resources for more creative and strategic work.Thirdly, AI can improve healthcare by providing personalized medical diagnoses and treatment plans. AI-powered tools can analyze vast amounts of medical data and provide insights that can lead to more effective and efficient healthcare.Fourthly, AI can enhance security by detecting and preventing cyber threats. AI-powered systems can monitor networks and detect suspicious activity, preventing cyber-attacks before they occur.Lastly, AI can contribute to environmental conservation by optimizing resource utilization and reducing waste. AI-powered systems can monitor and optimize resource usage, leading to more sustainable practices.In summary, AI can help humans by enhancing decision-making, increasing productivity, improving healthcare, enhancing security, and contributing to environmental conservation. |
| क्या आप मुझे बता सकते हैं कि भारत में लोग बड़ों के पैर छूते क्यों हैं? | भारत में, बड़ों के पैर छूना एक आदमी की बड़ों के प्रति श्रद्धा और सम्मान दिखाने की एक पारंपरिक प्रथा है। यह आदमी बड़ों को आदर और आत्मसात करता है। यह एक आदमी के बड़ों के साथ अपने संबंध को स्थापित करने और बड़ों के प्रति अपनी श्रद्धा और आत्मसात को दर्शाित करने का एक तरीका है। यह एक आदमी के बड़ों के साथ अपने घनिष्ठ संबंध को स्थापित करने और बड़ों के प्रति अपनी आत्मात्मकता और आत्मसात को दर्शाित करने का एक तरीका है। |
Eval
Hindi eval
| Task | #Samples | Accuracy | Precision | F1 | Recall | Metrics |
|---|---|---|---|---|---|---|
| Indic-Sentiment Analysis | 100 | 0.71 | - | 0.76 | - | Accuracy, F1 score |
| Indic-QA Evaluation | 50 | - | 0.62 | 0.68 | 0.75 | Bert Score |
| Indic-NLI | 50 | 0.24 | - | 0.17 | - | Accuracy, F1 score |
| Indic-Paraphrase | 500 | 0.52 | 0.49 | 0.48 | - | Accuracy, F1 score, Precision |
English eval
| Model name | Average | ARC | HellaSwag | MMLU | TruthfulQA | Winogrande | GSM8K |
|---|---|---|---|---|---|---|---|
| damerajee/Gaja-v1.00 | 47.69 | 52.82 | 76.31 | 40.83 | 44.64 | 70.64 | 0.91 |
| manishiitg/open-aditi-hi-v2 | 59.31 | 59.39 | 82.01 | 61.41 | 45.84 | 77.19 | 30.02 |
| ai4bharat/Airavata | 45.52 | 46.5 | 69.26 | 43.9 | 40.62 | 68.82 | 4.02 |
🚀 Infernce(colab or kaggle notebooks)
Installing dependencies
!pip install -q peft bitsandbytes datasets accelerate
Load the model
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("damerajee/Gaja-v1.00")
model = AutoModelForCausalLM.from_pretrained("damerajee/Gaja-v1.00",load_in_4bit=True)
Try it out
messages = [
{"role": "user", "content": "Why do poeple in India touch the feet of elders when they greet them?"},
]
inputs = tokenizer.apply_chat_template(
messages,
tokenize = True,
add_generation_prompt = True, # Must add for generation
return_tensors = "pt",
).to("cuda")
from transformers import TextStreamer
text_streamer = TextStreamer(tokenizer)
_ = model.generate(input_ids = inputs, streamer = text_streamer, max_new_tokens = 300, use_cache = True)
Open LLM Leaderboard Evaluation Results
Detailed results can be found here
| Metric | Value |
|---|---|
| Avg. | 47.69 |
| AI2 Reasoning Challenge (25-Shot) | 52.82 |
| HellaSwag (10-Shot) | 76.31 |
| MMLU (5-Shot) | 40.83 |
| TruthfulQA (0-shot) | 44.64 |
| Winogrande (5-shot) | 70.64 |
| GSM8k (5-shot) | 0.91 |