Характеристики

Контекст: 131 072 токена
Параметры: 7,5 млрд
Размер весов: 32,1 ГБ
Лицензия: Llama 3.1
Архитектура: llama · dense
Базовая модель: Hermes-3-Llama-3.1-8B
Библиотека: transformers
Опубликована: 16 сен 2024

Ссылки

Hugging Face

Hermes-3-Llama-3.1-8B-Korean-Finance-Advisor

kimhyeongjun

Генерация текстаТекст → текст3 профессии

Экспериментальная диалоговая модель на базе Hermes 3, дообученная для ответов на финансовые вопросы на корейском языке.

31скачиваний за 30 дней0лайковвеса обновлены18 сен 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.

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.

Открыть конструктор бенчмарка

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

kimhyeongjun разработал эту экспериментальную модель как личный проект к корейскому празднику Чхусок. Это дообученная версия диалоговой модели NousResearch/Hermes-3-Llama-3.1-8B на синтетическом наборе из 21 тысячи финансовых примеров; архитектура — плотная Llama, размер — около 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для общения на корейском языке по финансовым темам.

Модель подходит для ответов на вопросы по финансам и консультационных диалогов на корейском языке. Данные были собраны из финансовых PDF, очищены и преобразованы в синтетические примеры; качество примеров оценивали отдельными моделями. Автор не приводит результатов оценки самой модели, поэтому её точность и надёжность в финансовых сценариях не подтверждены. Лицензия — Llama 3.1.

Сценарии применения

ответы на финансовые вопросы на корейском языке
диалоговая консультация по финансовым темам
объяснение финансовой информации из документов
создание черновиков ответов на финансовые запросы

Ограничения

Автор не приводит результатов оценки модели; надёжность ответов, особенно для финансовых решений, не подтверждена. Модель является личным экспериментальным проектом и может воспроизводить ошибки или смещения синтетических данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kimhyeongjun/Hermes-3-Llama-3.1-8B-Korean-Finance-Advisor

This is my personal toy project for Chuseok(Korean Thanksgiving Day).

This model is a fine-tuned version of NousResearch/Hermes-3-Llama-3.1-8B on the Korean_synthetic_financial_dataset_21K.

Model description

Everything happened automatically without any user intervention.

Based on finance PDF data collected directly from the web, we refined the raw data using the 'neuralmagic/Meta-Llama-3.1-70B-Instruct-FP8' model. After generating synthetic data based on the cleaned data, we further evaluated the quality of the generated data using the 'meta-llama/Llama-Guard-3-8B' and 'RLHFlow/ArmoRM-Llama3-8B-v0.1' models. We then used 'Alibaba-NLP/gte-large-en-v1.5' to extract embeddings and applied Faiss to perform Jaccard distance-based nearest neighbor analysis to construct the final dataset of 21k, which is diverse and sophisticated.

모든 과정은 사용자의 개입 없이 자동으로 진행되었습니다.

웹에서 직접 수집한 금융 관련 PDF 데이터를 기반으로, 돈이 없어서 'neuralmagic/Meta-Llama-3.1-70B-Instruct-FP8' 모델을 활용하여 Raw 데이터를 정제하였습니다. 정제된 데이터를 바탕으로 합성 데이터를 생성한 후, 'meta-llama/Llama-Guard-3-8B' 및 'RLHFlow/ArmoRM-Llama3-8B-v0.1' 모델을 통해 생성된 데이터의 품질을 심층적으로 평가하였습니다. 이어서 'Alibaba-NLP/gte-large-en-v1.5'를 사용하여 임베딩을 추출하고, Faiss를 적용하여 자카드 거리 기반의 근접 이웃 분석을 수행함으로써 다양하고 정교한 최종 데이터셋 21k을 직접 구성하였습니다.

image/png

Task duration

3days (20240914~20240916)

evaluation

Nothing (I had to take the holiday off.)

sample

image/png

Framework versions

Transformers 4.44.2
Pytorch 2.4.0+cu121
Datasets 2.21.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: LlamaForCausalLM
Ревизия весов: 535fd25