/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,6 млрд
Размер весов
15,6 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
28 мая 2024

neo_7b_sft_v0.1

Генерация текстаТекст → текст10 профессий

Производная модели m-a-p/neo_7b_instruct_v0.1. Инструктивная языковая модель NEO 7B для генерации текста и диалогов по запросу.

73скачиваний за 30 дней1лайквеса обновлены3 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

Карточка модели m-a-p/neo_7b_sft_v0.1 на Hugging Face совпадает с карточкой m-a-p/neo_7b_instruct_v0.1, поэтому описание составлено по ней.

m-a-p представляет NEO 7B Instruct v0.1 — инструктивно дообученную языковую модель семейства Llama с плотной архитектурой и примерно 7,6 млрд параметров. Репозиторий содержит веса в формате Safetensors; проект описывает модель как открытую и предоставляет сведения о коде, обучающих данных и процессе обучения.

Модель предназначена для генерации текста по инструкциям и диалогового взаимодействия. Контекст составляет 8192 токена. В карточке не описаны конкретные языки и специализированные области применения.

Модель распространяется по лицензии Apache-2.0. README указывает, что это instruction-tuned версия NEO 7B, но не приводит деталей о качестве, тестировании или ограничениях применения.

Сценарии применения

  • ответы на вопросы в диалоге
  • выполнение текстовых инструкций
  • подготовка черновиков и кратких текстов

Ограничения

README не сообщает результаты оценки качества или конкретные ограничения модели; перед использованием в важных сценариях следует проверить её ответы.

Для каких профессий подходит10

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

NEO

🤗Neo-Models | 🤗Neo-Datasets | Github

Neo is a completely open source large language model, including code, all model weights, datasets used for training, and training details.

Model

ModelDescribeDownload
neo_7bThis repository contains the base model of neo_7b• 🤗 Hugging Face
neo_7b_sft_v0.1This repository contains the supervised fine-tuning version of the neo_7b model.• 🤗 Hugging Face
neo_7b_instruct_v0.1This repository contains the instruction-tuned version of the neo_7b model.• 🤗 Hugging Face
neo_7b_intermediateThis repo contains normal pre-training intermediate ckpts. A total of 3.7T tokens were learned at this phase.• 🤗 Hugging Face
neo_7b_decayThis repo contains intermediate ckpts during the decay phase. A total of 720B tokens were learned at this phase.• 🤗 Hugging Face
neo_scalinglaw_980MThis repo contains ckpts related to scalinglaw experiments• 🤗 Hugging Face
neo_scalinglaw_460MThis repo contains ckpts related to scalinglaw experiments• 🤗 Hugging Face
neo_scalinglaw_250MThis repo contains ckpts related to scalinglaw experiments• 🤗 Hugging Face
neo_2b_generalThis repo contains ckpts of 2b model trained using common domain knowledge• 🤗 Hugging Face

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = '<your-hf-model-path-with-tokenizer>'

tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False, trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype='auto'
).eval()
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Hello, what can you help me do?"},
]
input_ids = tokenizer.apply_chat_template(conversation=messages, add_generation_prompt=True, return_tensors='pt')
output_ids = model.generate(input_ids.to('cuda'), max_new_tokens=20)
response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)

print(response)

Citation

@article{zhang2024mapneo,
    title   = {MAP-Neo: Highly Capable and Transparent Bilingual Large Language Model Series},
    author  = {Ge Zhang and Scott Qu and Jiaheng Liu and Chenchen Zhang and Chenghua Lin and Chou Leuang Yu and Danny Pan and Esther Cheng and Jie Liu and Qunshu Lin and Raven Yuan and Tuney Zheng and Wei Pang and Xinrun Du and Yiming Liang and Yinghao Ma and Yizhi Li and Ziyang Ma and Bill Lin and Emmanouil Benetos and Huan Yang and Junting Zhou and Kaijing Ma and Minghao Liu and Morry Niu and Noah Wang and Quehry Que and Ruibo Liu and Sine Liu and Shawn Guo and Soren Gao and Wangchunshu Zhou and Xinyue Zhang and Yizhi Zhou and Yubo Wang and Yuelin Bai and Yuhan Zhang and Yuxiang Zhang and Zenith Wang and Zhenzhu Yang and Zijian Zhao and Jiajun Zhang and Wanli Ouyang and Wenhao Huang and Wenhu Chen},
    year    = {2024},
    journal = {arXiv preprint arXiv: 2405.19327}
}

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
f50060e

0 моделей