/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
27 июл 2023

geogalactica

Генерация текстаТекст → текст

GeoGalactica — англоязычная модель генерации текста на основе Galactica, дообученная для ответов и генерации текста по геонаучным темам.

0скачиваний за 30 дней18лайковвеса обновлены3 авг 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

GeoGalactica — языковая модель, разработанная Шанхайским университетом Цзяотун и опубликованная GeoBRAIN.ai для задач в области наук о Земле. Она создана на основе Galactica: модель дополнительно обучали на геонаучных текстах, а затем дообучили с учителем на наборе инструкций. Размер модели — 30 млрд параметров; в репозитории указаны веса PyTorch.

Модель предназначена для генерации ответов и текста по геонаучным темам, включая работу с научными вопросами и инструкциями. Обучение включало корпус из 65 млрд токенов по геонаукам и набор daven3/geosignal; её оценивали, в частности, на GeoBench и с помощью человеческой оценки. Основной язык — английский.

Модель унаследовала характеристики Galactica, и её специализация на геонауках не гарантирует фактическую точность ответов. Лицензия — Apache License 2.0.

Сценарии применения

  • ответы на вопросы по геологии и геонаукам
  • генерация пояснений по научным текстам о Земле
  • подготовка черновиков геонаучных текстов
  • ответы на инструкции по тематике наук о Земле

Ограничения

Специализация на геонауках не гарантирует достоверность ответов; модель унаследовала ограничения базовой Galactica. Описанные языковые возможности относятся к английскому.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ge🌏Galactica: A Scientific Large Language Model in Geoscience

GeoGalactica is from further pre-training of Galactica -- a top-performing LLM trained with a large number of scientific documents.

Model Details

In this work, we take the initial step to leverage LLM for science, through a rather straightforward approach. We try to specialize an open-sourced LLM into geoscience, by further pre-training the model with a vast amount of texts in geoscience, as well as supervised fine-tuning (SFT) the resulting model with our custom collected instruction tuning dataset. These efforts result in a model GeoGalactica consisting of 30 billion parameters. To our best knowledge, it is the largest language model for the geoscience domain.

Model Description

  • Developed by: Shanghai Jiao Tong University.
  • Shared by [optional]: GeoBRAIN.ai
  • Model type: Further pre-train and Supervised Fine-tuning
  • Language(s) (NLP): English
  • License: Apache License 2.0
  • Finetuned from model: Galactica

Model Sources

Training Details

Training Data

  • Further pre-train: A geoscience-related text corpus containing 65 billion tokens curated from extensive data sources, preserving as the largest geoscience-specific text corpus.
  • Supervised Fine-tuning: daven3/geosignal
  • Tool Learning: zthang/geotools

Training Hyperparameters

  • Model setup (30B parameters)

    • num layers: 48
    • num attention heads: 56
    • hidden size: 7168
    • max position embeddings: 2048
    • layernorm epsilon: 1e-5
  • Regularization Setup

    • optimizer: Adam
    • attention dropout: 0.1
    • hidden dropout: 0.1
    • weight decay: 0.1
    • clip-grad: 1.0
    • adam \beta_{1}: 0.9
    • adam \beta_{2}: 0.95
    • adam \epsilon: 1e-8
  • Training Setup

    • micro-batch-size: 1
    • global-batch-size: 4096
    • recompute-activations: True (gradient checkpointing)
    • train-samples: 30M (~65B token)
    • disable-bias-linear: True (turn off the bias of nn.linear)
    • seed: 42
    • save-interval: 100
  • Learning Rate Setup

    • lr-decay-style: linear
    • lr-warmup-steps: 100
    • lr: 1e-5
    • min-lr: 1e-7
  • Mixed Precision Setup

    • FP16: False
    • BF16: False
  • Training regime: fp32

  • Parallel Configuration

    • tensor-model-parallel-size: 4
    • pipeline-model-parallel-size: 16
    • distributed-backend: NCCL
    • sequence-parallel: True

Evaluation Data

  • MMLU: Massive Multitask Language Understanding, a large-scale research initiative aimed at improving language models' understanding and reasoning abilities across a diverse range of subjects and tasks.
  • GeoBench: The benchmark mentioned in K2. The data can be access on daven3/geobench.
  • Human Evaluation: Selected questions.

Environmental Impact

During our cumulative training, 1,488,137.26 DCU hours were consumed, resulting in cumulative carbon emissions of 212 tCO_{2}eq. Our work provides a foundational model for subsequent geoscience researchers to fine-tune their smaller models, potentially reducing carbon emissions in their future work.

  • Hardware Type: DCU
  • Hours used: 1,488,137.26
  • Cloud Provider: Advanced Computing East China Sub-center

Ethical Considerations

This model inherits from Galactica, and in the training corpus, we have conducted sufficient data governance to ensure that the training data embodies geographical community, transparency, inclusiveness, respect for privacy, and topic neutrality.

Citation [optional]

Model Card Author and Contact

GeoGalactica is a research preview intended for non-commercial use only. Please contact us if you find any issues. For details, you can email Cheng Deng

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
52008aa

0 моделей