/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
tinyllama-with-custom-tokenizer
Опубликована
6 янв 2024

polka-1.1b

Генерация текстаТекст → текст3 профессии

Небольшая польско-английская языковая модель на базе TinyLlama для генерации текста с усиленной поддержкой польского языка.

61скачиваний за 30 дней8лайковвеса обновлены13 окт 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.

  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

polka-1.1b — плотная авторегрессионная языковая модель семейства LLaMA, разработанная Eryk Mazus на основе TinyLlama-1.1B. Модель продолжили предобучать на 5,7 млрд дополнительных польских токенов, преимущественно из MADLAD-400; при подготовке данных польские и английские фрагменты отбирались в соотношении 10:1. Токенизатор расширен до 43 882 токенов, чтобы эффективнее обрабатывать и генерировать польский текст. Модель содержит 1,1 млрд параметров, принимает текст и поддерживает контекст до 2 048 токенов.

Модель предназначена для генерации связного текста на польском и английском языках и может служить основой для последующей настройки на инструкции, как в варианте polka-1.1b-chat. Автор отмечает, что при небольшом размере модели возможны галлюцинации. Доступна по лицензии Apache-2.0.

Сценарии применения

  • генерация связного текста на польском языке
  • генерация текста на английском языке
  • эксперименты с продолжением предобучения LLaMA
  • создание основы для настройки чат-модели на польском языке

Ограничения

Из-за небольшого размера модель может галлюцинировать; контекст ограничен 2 048 токенами.

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

image/png

polka-1.1b

polka-1.1b takes the TinyLlama-1.1B model and enhances it by continuing pretraining on an additional 5.7 billion Polish tokens, primarily sourced from the MADLAD-400 dataset. The tokens were sampled in a 10:1 ratio between Polish and English shards using DSIR. Furthermore, Polka extends the TinyLlama tokenizer's vocabulary to 43,882 tokens, improving its efficiency for generating Polish text.

The training took 680 GPU hours on a single 8 x RTX 4090 machine with DeepSpeed ZeRO-2.

Context size: 2,048 tokens.

Notes

This base model was initially developed as the foundation for instruction tuning, which resulted in polka-1.1b-chat. Nonetheless, I'm sharing it with the community because I see potential value in its combination of relatively good performance and an efficient bilingual tokenizer.

The model is capable of producing coherent Polish text, but due to its size, it is likely to suffer from hallucination.

Evaluation

Performed by OPI-PG, the authors of Qra models.

PolEval-2018

Long documents (2024)

Currently, LLMs support contexts of thousands of tokens. Their practical applications usually also involve processing long documents. Therefore, evaluating perplexity on a sentence-based dataset such as PolEval-2018 may not be meaningful. Additionally, the PolEval corpus has been publicly available on the internet for the past few years, which raises the possibility that for some models the training sets have been contaminated by this data. For this reason, we have prepared a new collection consisting of long papers published exclusively in 2024, which will allow us to more reliably test the perplexities of the models on new knowledge that was not available to them at the time of training. The corpus consists of 5,000 documents ranging from several hundred to about 20,000 tokens. Half of the set consists of press texts from Polish news portals from February 2024, the other half are scientific articles published since January 2024. Most of the documents exceed the context size of the evaluated models. To calculate perplexity for these documents, we divided them into chunks of size equal to the model's context length with a stride of 512 tokens, following this example.

Sample code

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "eryk-mazus/polka-1.1b"

tokenizer = AutoTokenizer.from_pretrained(model_name, padding_side="left")
tokenizer.pad_token = tokenizer.eos_token

model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto", load_in_8bit=True)

prompt = """Przykładowe zapytanie do modelu"""

model_inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
with torch.no_grad():
  generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512,
    do_sample=True,
    penalty_alpha=0.6,
    top_k=5
  )

output = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(output)

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
8d391a5

0 моделей