/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
3,3 млрд
Размер весов
6,9 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
15 дек 2023

open-llama-3b-v2-instruct

Генерация текстаТекст → текст4 профессии

Инструкционная языковая модель на базе LLaMA 3B v2 для генерации текста и ответов на запросы.

83скачиваний за 30 дней6лайковвеса обновлены16 мар 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

mediocredev/open-llama-3b-v2-instruct — генеративная языковая модель на архитектуре LLaMA, основанная на LLaMA 3B v2. Она предназначена для генерации текста и работы в формате инструкций. Модель содержит 3,3 млрд параметров, принимает текст и выдаёт текст; максимальная длина контекста — 2048 токенов.

Модель можно применять для ответов на запросы и создания текстовых черновиков. В README приведены результаты Open LLM Leaderboard, включая среднюю оценку 42,02 и результаты по AI2 Reasoning Challenge и HellaSwag. Модель может ошибаться в фактах, особенно при противоречивом контексте и сложных темах; ответы могут быть непоследовательными или содержать оскорбительный контент, поэтому требуют проверки человеком. Лицензия — Apache 2.0.

Сценарии применения

  • генерация текста по инструкции
  • создание черновиков и продолжение текста
  • ответы на текстовые запросы
  • оценка и экспериментирование с компактными LLaMA-моделями

Ограничения

Модель может допускать фактические ошибки, особенно при противоречивой информации и сложных темах, а также выдавать непоследовательный или оскорбительный текст. Результаты следует проверять; README отмечает ограничения в снижении предвзятости и интерпретируемости.

Для каких профессий подходит4

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

Prerequisites

In addition to pytorch and transformers, install required packages:

pip install accelerate sentencepiece

Usage

To use, copy the following script:

from transformers import AutoTokenizer, AutoModelForCausalLM
import transformers
import torch
model_id = 'mediocredev/open-llama-3b-v2-instruct'
tokenizer_id = 'mediocredev/open-llama-3b-v2-instruct'
tokenizer = AutoTokenizer.from_pretrained(tokenizer_id)

pipeline = transformers.pipeline(
  'text-generation',
  model=model_id,
  tokenizer=tokenizer,
  torch_dtype=torch.bfloat16,
  device_map='auto',
)

system_message = 'You are a helpful assistant, who always provide explanation.'
user_message = 'How many days are there in a leap year?'

prompt = f'### System:\n{system_message}<|endoftext|>\n### User:\n{user_message}<|endoftext|>\n### Assistant:\n'
response = pipeline(
   prompt,
   max_length=1000,
   repetition_penalty=1.05,
)
response = response[0]['generated_text']
print(response)

# Assistant: A leap year has 366 days. It's an extra day added to the calendar every four years to account for the extra time it takes for Earth to complete one full orbit around the Sun.

Limitations

mediocredev/open-llama-3b-v2-instruct is based on LLaMA 3B v2. It can struggle with factual accuracy, particularly when presented with conflicting information or nuanced topics. Its outputs are not deterministic and require critical evaluation to avoid relying solely on its assertions. Additionally, its generative capabilities, while promising, can sometimes produce factually incorrect or offensive content, necessitating careful curation and human oversight. As an evolving model, LLaMA is still under development, and its limitations in areas like bias mitigation and interpretability are being actively addressed. By using this model responsibly and being aware of its shortcomings, we can unlock its potential while mitigating its risks.

Contact

Welcome any feedback, questions, and discussions. Feel free to reach out: mediocredev@outlook.com

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.42.02
AI2 Reasoning Challenge (25-Shot)38.48
HellaSwag (10-Shot)70.24
MMLU (5-Shot)39.69
TruthfulQA (0-shot)37.96
Winogrande (5-shot)65.75
GSM8k (5-shot)0.00

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
4ed32d7

0 моделей