ARC 과학 QA 실험 모델
최종 조건: S2000, 학습 seed: 42. 데이터 revision·표본 구성·레시피는 함께 첨부한 experiment_contract.json 및 training_record.json을 참조한다. 데이터 사용 조건과 후보 선정 근거는 dataset_selection.md에 기록했다. 실행하지 않은 후보의 우열은 주장하지 않는다.
Характеристики
- Контекст
- 32 768 токенов
- Параметры
- 7,1 млрд
- Размер весов
- 14,5 ГБ
- Архитектура
- mistral · dense
- Базовая модель
- Mistral-7B-v0.1
- Библиотека
- transformers
- Опубликована
- 16 сен 2026
Ссылки
mistral-7b-arc-sci-lora_09161401
Дообученная Mistral-7B-v0.1 для генерации ответов на научные вопросы ARC.
528скачиваний за 30 дней0лайковвеса обновлены16 сен 2026
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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
junghwannkim/mistral-7b-arc-sci-lora_09161401 — экспериментальная модель генерации текста на основе Mistral-7B-v0.1, дообученная для ответов на научные вопросы ARC. В метаданных указаны архитектура MistralForCausalLM с плотной сетью, 7,1 млрд параметров и контекст до 32 768 токенов; веса хранятся в формате safetensors и предназначены для Transformers.
Карточка описывает эксперимент с условием S2000 и seed обучения 42. Модель может использоваться для генерации ответов на вопросы по естественным наукам в формате ARC. README отсылает к отдельным файлам с контрактом эксперимента, записью обучения и обоснованием выбора данных, поэтому подробности о наборе данных и рецепте обучения здесь не подтверждены. Сведений о лицензии в предоставленных материалах нет.
Сценарии применения
- ответы на вопросы ARC по естественным наукам
- генерация текстовых ответов на научные вопросы с выбором ответа
- эксперименты с дообучением Mistral на задачах научного QA
Ограничения
Предоставленная карточка не раскрывает набор данных, рецепт обучения и лицензию; также не приводит результатов оценки качества. Модель описана как эксперимент с условием S2000 и seed 42.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельI.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модельIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…
- Класс архитектуры
- MistralForCausalLM
- Ревизия весов
- a7a252b