/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
29 янв 2025

GenBook-Deepseek-R1.Llama-8B

Генерация текстаТекст → текст3 профессии

Дообученная Llama-модель для создания интерактивных историй с последовательными персонажами и сюжетом.

32скачиваний за 30 дней2лайкавеса обновлены29 янв 2025

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

GenBook-Deepseek-R1.Llama-8B — дообученная модель семейства Llama, созданная для интерактивного повествования. Она генерирует связные истории по запросам пользователя, подстраивает сюжет под его предпочтения и поддерживает последовательность персонажей, событий и мира на протяжении длинных повествований. Модель описана как эффективная при ограниченных аппаратных ресурсах; при обучении применялись LoRA и 4-битная квантизация. По метаданным, размер модели составляет 7,5 млрд параметров, архитектура — плотная LlamaForCausalLM, контекст — до 131 072 токенов. Поддерживаются английский и испанский языки; основное назначение — генерация текста.

Модель основана на unsloth/deepseek-r1-distill-llama-8b-unsloth-bnb-4bit и дообучена на данных для построения повествований, развития персонажей и описаний. Лицензия — Apache 2.0. Карточка не приводит результатов оценки качества, поэтому заявленные связность длинных историй и эффективность на ограниченном оборудовании не подтверждены метриками.

Сценарии применения

  • создание рассказа по пользовательскому запросу
  • интерактивное продолжение истории с учётом предпочтений
  • развитие персонажей и построение вымышленного мира
  • генерация длинного повествования с сохранением сюжетной последовательности

Ограничения

Карточка не содержит количественных оценок качества; связность длинных сюжетов и эффективность на ограниченном оборудовании заявлены без метрик. Языковая поддержка указана для английского и испанского.

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

image/png

About the Model

This model is designed to be a storytelling AI capable of creating fun, engaging, and well-structured narratives. Its purpose is to serve as an interactive tool for generating and experiencing unique stories in real time, tailored to the user's input and preferences.

Key Features

  • Interactive Narratives: Produces coherent and entertaining stories based on user prompts, adapting dynamically to maintain engagement.
  • Consistent World-Building: Ensures logical progression and consistency in characters, settings, and events across long narratives.
  • Optimized for Efficiency: Built to perform reliably on limited hardware while delivering high-quality outputs.

Training Overview

The model was fine-tuned using datasets focused on narrative construction, character development, and immersive descriptions. Key aspects of the training include:

  • Adaptability: Special attention was given to creating a system that responds flexibly to varied user inputs while maintaining coherence.
  • Resource Efficiency: Techniques like LoRA (Low-Rank Adaptation) and 4-bit quantization were employed to optimize memory usage without compromising output quality.
  • Long-Context Support: Enhanced with methods to handle extended interactions and complex storylines.

Purpose

The primary goal of this model is to create a personal, customizable storytelling AI, allowing users to immerse themselves in unique, AI-driven stories anytime.


Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
ef5aae3

0 моделей