/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
49,9 ГБ
Лицензия
Llama 3
Архитектура
mixtral · MoE
Опубликована
20 мая 2024

llama3-4x8b-pythonT2_step_final

Генерация текстаТекст → текст8 профессий

Предварительная дистиллированная модель Mixtral для диалоговой генерации текста и кода, предназначенная для экспериментов и дальнейшей настройки.

109скачиваний за 30 дней13лайковвеса обновлены22 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 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

Экспериментальная модель генерации текста и кода от команды kalo-team: предварительный результат дистилляции, в которой студент 4x8b обучался приближать распределение ответов учителя Llama 3 70B с помощью KL-дивергенции. Модель основана на архитектуре Mixtral с разреженной архитектурой MoE; в метаданных указано 7,5 млрд параметров и контекст до 8192 токенов. Доступны веса в формате safetensors, лицензия — Llama 3.

Модель предназначена для генерации текста в диалоге и экспериментов с генерацией кода, а также для дальнейшей настройки и оценки поведения дистилляции. В README приведены результаты на MMLU, ARC, HellaSwag, GSM8K, TruthfulQA и HumanEval; автор отмечает, что полное дообучение привело к умеренному забыванию знаний вне областей дистилляции из-за ограниченного объёма данных. Это предварительный тестовый прогон, а не запланированная полномасштабная дистилляция.

Сценарии применения

  • генерация кода по текстовому запросу
  • диалоговые ответы на вопросы на английском языке
  • эксперименты с дистилляцией языковых моделей
  • оценка генерации кода на задачах HumanEval
  • дальнейшая настройка модели генерации текста

Ограничения

Автор описывает модель как предварительный тест дистилляции, а не полномасштабный запуск; оценки показывают умеренное забывание знаний вне областей дистилляции из-за ограниченного набора данных. Приведённые метрики не гарантируют качество в других сценариях.

Для каких профессий подходит8

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

70b Distillation Experiment

This is not the full-fledged run that I plan to do for a large scale distillation of Llama3 70b. Instead, it's a preliminary test train of the custom distillation trainer, where we target KL divergence from the larger Llama3 70b teacher model onto 4x8b (the student). I'm releasing it here mainly so that people who are interested can tinker with it / finetune it to see how it behaves before I am ready to do a larger run.

Training details

Each of the 8b expert MLP layers is duplicated 3x from the original Llama3 8b in a typical Mixtral-style Sparse MoE layout.

Over the course of the training run, the expert selection count was gradually increased from the minimum (topk=1) to the maximum (topk=4), as in Sparse MoE as the New Dropout. This was done with a stochastic / randomized top_k expert selection with frozen gate layers, as recommended in the paper.

LR = 2e-6, ~2.5 mil tokens of Python instruct data, all around ~8k tokens ish for each sample ~(300 total samples). Despite the use of instruct data, the model does not necessarily behave like one, as the training process involves mimicking a larger base model's distributions over to said data.

1 epoch distillation of 70b logprobs, topk=200 logits from the fp16 Llama3-70b.

Evals

llama3-4x8b-pythonT2_step_final

  • mmlu: 65.10 (66.69) - 0.97x
  • arc: 57.94 (59.47) - 0.97x
  • hellaswag: 81.93 (82.09) - 0.99x
  • winogrande: 77.03 (77.35) - 0.99x
  • gsm8k: 50.95 (45.79) - 1.11x
  • truthfulqa-mc1: 27.66
  • truthfulqa-mc2: 44.53 (43.9) - 1.01x
  • humaneval+: 32.9 (29.3) - 1.12x
  • humaneval: 37.2 (33.5) - 1.11x

Current Conclusions

Going by evals (and evals alone), full-finetuning seems to have caused some degree of mild catastrophic forgetting outside of the domains that were specifically distilled, as you might expect from the lack of data. I plan to remedy this with lower LRs and/or bigger batch sizes, and of course, on a much larger dataset than the limited selection seen here. The plan is to do at least 1 billion unique tokens; we are still conducting custom tests for alternative loss functions (i.e, things in the vein of a weighted Cross-Entropy loss function to be used in tandem with KL divergence.)

Embedded Image

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MixtralForCausalLM
Ревизия весов
e7b159b

0 моделей