/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,5 млрд
Размер весов
15,3 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
MSH-v1-Bielik-v2.3-Instruct-MedIT-merge
Опубликована
12 ноя 2024

MSH-Lite-7B-v1-Bielik-v2.3-Instruct-Llama-Prune

Генерация текстаТекст → текст4 профессии

Компактная польско-английская диалоговая модель MedIT Solutions для генерации текста и выполнения инструкций.

1 663скачиваний за 30 дней0лайковвеса обновлены13 ноя 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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,219

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3029

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4253

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,4035

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0264

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,3655

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Marsh Harrier Lite (MSH-Lite) — компактная языковая модель MedIT Solutions для генерации текста и диалогов по инструкциям. Она получена прунингом модели MSH-v1-Bielik-v2.3-Instruct-MedIT-merge и объединённых баз Bielik; каталог указывает архитектуру Mistral с плотной причинной языковой моделью. В репозитории около 7,5 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов.

Модель рассчитана на польский и английский языки и предназначена для сценариев, где важны диалоговые ответы и меньшие вычислительные затраты по сравнению с исходной моделью на 11 млрд параметров. Заявления карточки о конкурентном качестве не сопровождаются результатами тестов. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на инструкции на польском языке
  • диалоговый помощник на польском и английском
  • генерация текстов на польском языке
  • генерация текстов на английском языке

Ограничения

В README нет опубликованных результатов оценивания, поэтому заявленное качество нельзя проверить по карточке. Прунинг уменьшил модель относительно исходной, но карточка не приводит подробных измерений компромисса между качеством и экономией ресурсов.

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

Marsh Harrier Lite (MSH-Lite)

Marsh Harrier Lite (MSH-Lite) is a compact, efficient version of the MedIT Solutions MSH-v1-Bielik-v2.3-Instruct-MedIT-merge model, reduced to 7 billion parameters using advanced pruning techniques. This pruning retains the core functionality and efficiency of the original model while optimizing for reduced computational resource usage.

Key Features:

  • Pruned Model: Reduced from 11B to 7B parameters using the pruning method based on the MedIT Solutions LLaMA pruning framework.
  • Optimized Performance: Despite its reduced size, MSH-Lite delivers competitive performance across a wide array of NLP tasks.
  • Bilingual Support: Designed to handle both Polish (pl) and English (en) with high fluency.

Technical Details:

  • Base Model: MSH-v1-Bielik-v2.3-Instruct-MedIT-merge
  • Parameter Count: 7 billion
  • Architecture: Derived from Bielik's core architecture, with parameter optimization.
  • Model Efficiency: Ideal for deployments where computational efficiency is paramount.

Performance Highlights:

To be done.

Acknowledgments:

Gratitude to the SpeakLeash project and ACK Cyfronet AGH for their contributions and collaboration.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
8fbaa3b

0 моделей