/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
71 млрд
Размер весов
145 ГБ
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
2 мая 2024

free-evo-qwen72b-v0.8-re

Генерация текстаТекст → текст5 профессий

Модель Qwen2 объёмом 71 млрд параметров для генерации текста и экспериментов с оценкой на языковых бенчмарках.

8 590скачиваний за 30 дней5лайковвеса обновлены7 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.

  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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,1805

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3565

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,5331

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,487

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4872

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,6127

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

freewheelin/free-evo-qwen72b-v0.8-re — языковая модель для генерации текста, построенная на архитектуре Qwen2. В карточке описан экспериментальный процесс: дообучение одной из моделей с общей архитектурой, слияние моделей и повторная оценка с целью улучшить средний результат на Open LLM Leaderboard. Для версии от 4 мая 2024 года указана средняя оценка 81,28; среди приведённых показателей — ARC 79,86 и HellaSwag 91,32.

Модель содержит 71 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Метаданные указывают английский язык и библиотеку Transformers; файлы опубликованы в формате safetensors. Модель подходит для генерации текста и экспериментального сравнения ответов на бенчмарковые задания. Лицензия — MIT.

README сообщает, что при создании использованы несколько моделей на базе Qwen2 и их слияние, но не приводит точные идентификаторы базовых репозиториев. Поэтому базовая модель не устанавливается точнее семейства Qwen2.

Сценарии применения

  • генерация ответов на текстовые запросы
  • сравнение качества языковых моделей на бенчмарках
  • эксперименты со слиянием и дообучением моделей
  • создание текстовых продолжений на английском языке

Ограничения

README приводит лишь часть результатов бенчмарка и не описывает качество на других задачах. Точные базовые репозитории, использованные при слиянии, не названы.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for free-evo-qwen72b-v0.8

Developed by : Freewheelin AI Technical Team

2024 4th May - avg. 81.28 Open Llm Leaderboard

MetricValue
Avg.81.28
ARC (25-Shot)79.86
HellaSwag (10-Shot)91.32
MMLU (5-Shot)78.00
TruthfulQA (0-shot)74.85
Winogrande (5-shot)87.77
GSM8k (5-shot)75.89

Method

Process

You need two models with the same architecture.

  • Choose one model and fine-tune it to create a gap between the original model and the fine-tuned one. It doesn't matter whether the evaluation score is higher or lower.
  • Merge the two models.
  • Evaluate the merged model.
  • Fine-tune a specific evaluation part of the model if you need to increase the score for that part. (It's unlikely to work as you think, but you can try it.)
  • Merge the models again.
  • Evaluate again.
  • Keep going until the average evaluation score is higher than the original one.

That's it. Simple. You can create a framework to automate this process.

Base Architecture

  • QWEN2

Base Models

  • several QWEN2 based models

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
24e301d

0 моделей