/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
1,7 млрд
Размер весов
18,5 ГБ
Лицензия
Apache 2.0
Архитектура
mixtral · MoE
Библиотека
transformers
Опубликована
12 мар 2025

llm-jp-3-8x1.8b

Генерация текстаТекст → текст8 профессий

Японско-английская языковая модель Mixtral MoE для генерации текста и выполнения инструкций с контекстом до 4096 токенов.

257скачиваний за 30 дней0лайковвеса обновлены27 мар 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

llm-jp-3-8x1.8b — языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это авторегрессионный Transformer с архитектурой Mixtral MoE: 8 экспертов, из которых для обработки активируются 2. В модели около 9,3 млрд параметров суммарно, 24 слоя и контекст до 4096 токенов. Модель предобучена на 2,1 трлн токенов и прошла дообучение по инструкциям и выравнивание методом Direct Preference Optimization.

Модель предназначена для генерации текста, ответов на вопросы, следования инструкциям и других задач с японским и английским языками. Токенизатор основан на Unigram byte-fallback и использует словарь llm-jp-tokenizer v3.0. Данные README описывают японские обучающие наборы и оценки для серии, но не дают отдельных результатов именно этой версии.

Разработчики отмечают, что модели находятся на раннем этапе исследований и разработок и не настроены для надёжного соответствия человеческим намерениям и требованиям безопасности. Весы доступны в формате Transformers/Safetensors по лицензии Apache-2.0.

Сценарии применения

  • генерация ответов на японском языке
  • написание и продолжение текстов на японском и английском
  • ответы на вопросы по предоставленному контексту
  • выполнение текстовых инструкций
  • суммаризация и переформулирование текста

Ограничения

Модель находится на раннем этапе исследований и разработок и не настроена для надёжного соответствия человеческим намерениям и требованиям безопасности. В README нет отдельных результатов оценки именно этой версии.

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

llm-jp-3-8x1.8b

LLM-jp-3 is the series of large language models developed by the Research and Development Center for Large Language Models at the National Institute of Informatics.

This repository provides the llm-jp-3-8x1.8b model. For an overview of the LLM-jp-3 models across different parameter sizes, please refer to:

Checkpoints format: Hugging Face Transformers

Required Libraries and Their Versions

  • torch>=2.3.0
  • transformers>=4.40.1
  • tokenizers>=0.19.1
  • accelerate>=0.29.3
  • flash-attn>=2.5.8

Usage

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("llm-jp/llm-jp-3-8x1.8b")
model = AutoModelForCausalLM.from_pretrained("llm-jp/llm-jp-3-8x1.8b", device_map="auto", torch_dtype=torch.bfloat16)
text = "自然言語処理とは何か"
tokenized_input = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt").to(model.device)
with torch.no_grad():
    output = model.generate(
        tokenized_input,
        max_new_tokens=100,
        do_sample=True,
        top_p=0.95,
        temperature=0.7,
        repetition_penalty=1.05,
    )[0]
print(tokenizer.decode(output))

Model Details

  • Model type: Transformer-based Language Model
  • Total seen tokens: 2.1T tokens
ParamsLayersHidden sizeHeadsRouted ExpertsActivated ExpertsContext lengthEmbedding parametersNon-embedding parametersActivated parametersTotal parameters
8x1.8b24204816824096407,498,7528,858,863,6162,924,279,8089,266,362,368
8x13b405120408240961,018,746,88072,144,081,92022,200,806,40073,162,828,800

If you would like to learn more about the pretraining of the LLM-jp-3 MoE series, please refer to this blog post.

Tokenizer

The tokenizer of this model is based on huggingface/tokenizers Unigram byte-fallback model. The vocabulary entries were converted from llm-jp-tokenizer v3.0. Please refer to README.md of llm-jp-tokenizer for details on the vocabulary construction procedure (the pure SentencePiece training does not reproduce our vocabulary).

Datasets

Pre-training

The models have been pre-trained using a blend of the following datasets.

LanguageDatasetTokens
JapaneseWikipedia2.6B
Common Crawl762.8B
WARP/PDF237.3B
WARP/HTML2.7B
Kaken1.8B
EnglishWikipedia4.7B
Dolma/CC-head608.5B
Dolma/C4181.6B
Dolma/Reddit83.1B
Dolma/PeS2o62.9B
Dolma/Gutenberg5.5B
Dolma/Wiki3.9B
CodeThe Stack114.1B
ChineseWikipedia0.8B
KoreanWikipedia0.3B

Post-training

We have fine-tuned the pre-trained checkpoint with supervised fine-tuning and further aligned it with Direct Preference Optimization.

Supervised Fine-tuning

The datasets used for supervised fine-tuning are as follows:

LanguageDatasetDescription
Japaneseichikara-instruction-004-002A manually constructed instruction dataset.
AnswerCarefully (ver2.0)A manually constructed instruction dataset focusing on LLMs' safety.
ichikara-instruction-formatA small subset of the ichikara-instruction dataset, edited with some constraints on the output format.
AutoMultiTurnByCalm3-22BA synthetic instruction dataset.
ramdom-to-fixed-multiturn-Calm3A synthetic instruction dataset.
wizardlm8x22b-logical-math-coding-sft-jaA synthetic instruction dataset.
magpie-sft-v1.0A synthetic instruction dataset we created.
EnglishDaring-Anteater-
FLAN-
Japanese & EnglishSynthetic-JP-EN-Coding-DatasetA synthetic instruction dataset.

Direct Preference Optimization

The datasets used for supervised fine-tuning are as follows:

LanguageDatasetDescription
Japaneseaya-ja-evol-instA synthetic preference dataset focusing on LLMs' helpfulness.
ac-self-instA synthetic preference dataset focusing on LLMs' safety.

Evaluation

llm-jp-eval (v1.4.1)

We evaluated the models using 100 examples from the dev split. Note that we skipped the CG (Code Generation) task.

Model nameaverageELFAHEMCMRMTNLIQARCSUM
llm-jp/llm-jp-3-7.2b0.4550.4000.2660.3500.5470.4300.8090.3620.5450.8140.028
llm-jp/llm-jp-3-7.2b-instruct30.5140.4470.2450.4350.6930.5100.8260.5880.4970.8380.059
llm-jp/llm-jp-3-172b0.5430.4080.2660.5150.7630.6700.8230.5740.5690.8290.015
llm-jp/llm-jp-3-172b-instruct30.6130.5170.2710.5700.8730.7300.8440.7280.6010.8830.112
------------------------------------
llm-jp/llm-jp-3-8x1.8b0.4540.3870.2410.2650.5300.5100.8100.4760.5370.7550.026
llm-jp/llm-jp-3-8x1.8b-instruct20.5130.4480.2300.4050.6430.5600.8150.5660.5610.8370.066
llm-jp/llm-jp-3-8x1.8b-instruct30.5150.4520.2270.4250.6830.5400.8210.5580.5450.8190.075
llm-jp/llm-jp-3-8x13b0.5870.5450.2910.4950.8030.7200.8380.5780.6460.8540.097
llm-jp/llm-jp-3-8x13b-instruct20.6260.5520.2890.5250.8970.7500.8360.6820.6370.9070.182
llm-jp/llm-jp-3-8x13b-instruct30.6250.5480.2850.5250.9070.7600.8390.6880.6270.9040.164

Japanese MT Bench

We evaluated the models using gpt-4o-2024-08-06. The scores represent the average values obtained from five rounds of inference and evaluation. For more details, please refer to the codes.

Model nameaveragecodingextractionhumanitiesmathreasoningroleplaystemwriting
llm-jp/llm-jp-3-7.2b-instruct35.793.465.948.153.954.467.516.236.66
llm-jp/llm-jp-3-172b-instruct36.364.246.668.114.585.747.446.767.36
------------------------------
llm-jp/llm-jp-3-8x1.8b-instruct25.473.474.907.783.514.386.846.356.54
llm-jp/llm-jp-3-8x1.8b-instruct35.523.605.237.813.874.536.405.986.72
llm-jp/llm-jp-3-8x13b-instruct26.624.506.538.565.306.037.867.107.12
llm-jp/llm-jp-3-8x13b-instruct36.584.906.418.325.375.207.757.247.48

AnswerCarefully-Eval

AnswerCarefully-Eval assesses the safety of Japanese language model outputs using the LLM-as-a-Judge approach, based on the test set from llm-jp/AnswerCarefully. We evaluated the models using gpt-4-0613. The scores represent the average values obtained from five rounds of inference and evaluation.

Model nameAcceptance rate (%, ↑)Violation rate (%, ↓)
llm-jp/llm-jp-3-7.2b-instruct392.862.44
llm-jp/llm-jp-3-172b-instruct395.481.67
---------
llm-jp/llm-jp-3-8x1.8b-instruct286.137.56
llm-jp/llm-jp-3-8x1.8b-instruct392.202.20
llm-jp/llm-jp-3-8x13b-instruct288.636.01
llm-jp/llm-jp-3-8x13b-instruct394.351.55

Risks and Limitations

The models released here are in the early stages of our research and development and have not been tuned to ensure outputs align with human intent and safety considerations.

Send Questions to

llm-jp(at)nii.ac.jp

License

Apache License, Version 2.0

How to cite

If you find our work helpful, please feel free to cite the paper.

@inproceedings{
    nakamura2025dropupcycling,
    title={Drop-Upcycling: Training Sparse Mixture of Experts with Partial Re-initialization},
    author={Taishi Nakamura and Takuya Akiba and Kazuki Fujii and Yusuke Oda and Rio Yokota and Jun Suzuki},
    booktitle={The Thirteenth International Conference on Learning Representations},
    year={2025},
    url={https://openreview.net/forum?id=gx1wHnf5Vp}
}

Model Card Authors

The names are listed in alphabetical order.

Hirokazu Kiyomaru, Takashi Kodama and Taishi Nakamura.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MixtralForCausalLM
Ревизия весов
3b93669

0 моделей