/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Hercules-2.5-Mistral-7B
Библиотека
transformers
Опубликована
3 мар 2024

OpenHercules-2.5-Mistral-7B

Генерация текстаТекст → текст9 профессий

Объединённая модель Mistral на 7,1 млрд параметров для англоязычной генерации текста и диалогов.

43скачиваний за 30 дней7лайковвеса обновлены12 мар 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

OpenHercules-2.5-Mistral-7B — объединённая модель на базе Mistral, созданная с помощью LazyMergekit из Locutusque/Hercules-2.5-Mistral-7B и teknium/OpenHermes-2.5-Mistral-7B. Веса объединены методом SLERP с настройками для слоёв внимания и MLP; архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров.

Модель предназначена для генерации текста и диалогового использования. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Файлы представлены в safetensors; README также упоминает варианты квантования EXL2, GGUF и AWQ.

Модель распространяется по лицензии Apache-2.0. Показатели в README включают среднее значение 66,55, результат 64,25 на AI2 Reasoning Challenge и 84,84 на HellaSwag; эти оценки не гарантируют качество на конкретных пользовательских задачах.

Сценарии применения

  • генерация ответов в англоязычном чат-боте
  • написание и продолжение англоязычных текстов
  • ответы на вопросы с длинным контекстом
  • черновая генерация кода в диалоге

Ограничения

Заявленные оценки бенчмарков не гарантируют качество на прикладных запросах. README не сообщает об отдельных проверках точности, безопасности или надёжности модели.

Для каких профессий подходит9

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

OpenHercules-2.5-Mistral-7B

image/png

OpenHercules-2.5-Mistral-7B is a merge of the following models using LazyMergekit:

🧩 Configuration

slices:
  - sources:
      - model: Locutusque/Hercules-2.5-Mistral-7B
        layer_range: [0, 32]
      - model: teknium/OpenHermes-2.5-Mistral-7B
        layer_range: [0, 32]
merge_method: slerp
base_model: Locutusque/Hercules-2.5-Mistral-7B
parameters:
  t:
    - filter: self_attn
      value: [0, 0.5, 0.3, 0.7, 1]
    - filter: mlp
      value: [1, 0.5, 0.7, 0.3, 0]
    - value: 0.5
dtype: bfloat16

💻 Usage

!pip install -qU transformers accelerate

from transformers import AutoTokenizer
import transformers
import torch

model = "Locutusque/OpenHercules-2.5-Mistral-7B"
messages = [{"role": "user", "content": "What is a large language model?"}]

tokenizer = AutoTokenizer.from_pretrained(model)
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    torch_dtype=torch.float16,
    device_map="auto",
)

outputs = pipeline(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])

Quants

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.66.55
AI2 Reasoning Challenge (25-Shot)64.25
HellaSwag (10-Shot)84.84
MMLU (5-Shot)64.21
TruthfulQA (0-shot)47.84
Winogrande (5-shot)78.93
GSM8k (5-shot)59.21

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
00b38c3

0 моделей