Компактная дообученная Llama-модель генерирует программы для уточнения веб-страниц на уровне отдельных фрагментов.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
Web-chunk-refining-lm — языковая модель, разработанная на основе gair-prox/RedPJ-ProX-0.3B и дообученная для уточнения фрагментов веб-страниц посредством генерации программ. Она предназначена для сценариев, где нужно улучшать или преобразовывать веб-фрагменты, формируя для этого программный код.
Модель имеет плотную архитектуру семейства Llama с причинно-следственной языковой моделью LlamaForCausalLM и содержит 313,3 млн параметров. Она принимает текст и генерирует текст, включая код; контекст — до 2048 токенов. Карточка указывает датасет gair-prox/RedPajama-pro и английский язык. Модель распространяется по лицензии Apache-2.0.
Контекст ограничен 2048 токенами. Карточка не приводит оценок качества или подробностей о том, какие именно преобразования веб-фрагментов поддерживаются.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
Web-chunk-refining-lm is an adapted 0.3B-ProX model, fine-tuned for chunk level refining via program generation.
@article{zhou2024programming,
title={Programming Every Example: Lifting Pre-training Data Quality like Experts at Scale},
author={Zhou, Fan and Wang, Zengzhi and Liu, Qian and Li, Junlong and Liu, Pengfei},
journal={arXiv preprint arXiv:2409.17115},
year={2024}
}
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…