/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
2,2 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mixtral · MoE
Опубликована
10 июн 2024

Mistral-7b-MoEified-8x

Генерация текстаТекст → текст3 профессии

Экспериментальная MoE-модификация Mistral 7B для генерации текста и изучения маршрутизации между восемью экспертами.

494скачиваний за 30 дней6лайковвеса обновлены10 июн 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

kalomaze/Mistral-7b-MoEified-8x — экспериментальная MoE-версия Mistral 7B, созданная автором kalomaze преобразованием плотной языковой модели. MLP-проекции разделены на восемь экспертов, а маршрутизаторы инициализированы нулевыми весами, чтобы изначально распределять нагрузку между экспертами равномерно. В репозитории есть веса в форматах Safetensors и GGUF F16; модель насчитывает 2,2 млрд параметров и поддерживает контекст до 32 768 токенов.

Модель предназначена для генерации текста и исследования разреженных вычислений с переменным числом активных экспертов. По README, при активации всех восьми экспертов она ведёт себя связно; при использовании четырёх экспертов качество поведения заметно ухудшается. Автор описывает её как основу для возможного дальнейшего обучения, позволяющего выбирать вычислительную нагрузку в зависимости от сложности токенов. Лицензия — Apache 2.0.

Сценарии применения

  • генерация текста при активации всех восьми экспертов
  • изучение маршрутизации токенов между экспертами MoE
  • эксперименты с переменным числом активных экспертов
  • исследование разреженных вычислений в языковых моделях

Ограничения

Согласно README, связное поведение отмечено при активации всех восьми экспертов, тогда как с четырьмя экспертами модель работает значительно менее связно. Карточка описывает модель как эксперимент для дальнейшего обучения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Wtf is a MoEification?!

Turns out, you can slice up the individual MLP layers of a dense language model into even splits of experts.

What I did here:

  • Split the MLP projections (gate, down, proj) into the amount of total experts you want (in this case, I just went with 8 experts).
  • Multiply the values of the parameters for the down-projection by the total amount of experts (so the magnitude of the activation outputs, when averaged linearly together, ends up being equivalent)
  • Initialize the router layers with zeroes, so the expert usage is completely equal by default and has no unintentional biases as a consequence of random initialization being done the normal way.

As a result, the model behaves completely coherently when all 8 experts are activated (i.e, experts_per_tok is equal to 8.)

image/png

With 4 experts activated, it's... far less coherent.

image/png

Ok but why?

I am interested in the prospect of continuing to train this in such a way where it can naturally handle variable expert counts, and learn to balance the features. If this works, we can potentially teach the behavior of using less computation for tokens that are trivial to predict, while using more when necessary.

Also thanks StefanGliga for giving me the idea while we were discussing this paper :3

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
9e24b9b

0 моделей