/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Лицензия
CC BY-NC 4.0
Архитектура
mistral · dense
Базовая модель
UNA-TheBeagle-7b-v1
Опубликована
15 янв 2024

Beagle14-7B

Генерация текстаТекст → текст8 профессий

Beagle14-7B — объединённая модель Mistral на 7,1 млрд параметров для генерации текста и ответов на запросы общего назначения.

142скачиваний за 30 дней15лайковвеса обновлены4 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

Beagle14-7B — языковая модель, созданная mlabonne слиянием моделей fblgit/UNA-TheBeagle-7b-v1 и argilla/distilabeled-Marcoro14-7B-slerp методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и ответов на запросы в сценариях общего назначения. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов.

В README приведены результаты оценок на наборах Nous Suite и Open LLM Leaderboard; они дают ориентир для сравнения, но не гарантируют качество в конкретных задачах. Модель опубликована в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • генерация текстовых ответов на вопросы
  • создание и продолжение текстов
  • помощь в рассуждениях и решении тестовых задач

Ограничения

Оценки из README не гарантируют качество на конкретных пользовательских задачах. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Beagle14-7B

Update 01/16/24: Check the DPO fine-tuned version of this model, NeuralBeagle14-7B (probably the best 7B model you can find)! 🎉

Beagle14-7B is a merge of the following models using LazyMergekit:

🏆 Evaluation

The evaluation was performed using LLM AutoEval on Nous suite.

ModelAGIEvalGPT4AllTruthfulQABigbenchAverage
Beagle14-7B44.3876.5369.4447.2559.4
OpenHermes-2.5-Mistral-7B42.7572.9952.9940.9452.42
NeuralHermes-2.5-Mistral-7B43.6773.2455.3741.7653.51
Nous-Hermes-2-SOLAR-10.7B47.7974.6955.9244.8455.81
Marcoro14-7B-slerp44.6676.2464.1545.6457.67
CatMarcoro14-7B-slerp45.2175.9163.8147.3158.06

🧩 Configuration

slices:
  - sources:
      - model: fblgit/UNA-TheBeagle-7b-v1
        layer_range: [0, 32]
      - model: argilla/distilabeled-Marcoro14-7B-slerp
        layer_range: [0, 32]
merge_method: slerp
base_model: fblgit/UNA-TheBeagle-7b-v1
parameters:
  t:
    - filter: self_attn
      value: [0, 0.5, 0.3, 0.7, 1]
    - filter: mlp
      value: [1, 0.5, 0.7, 0.3, 0]
    - value: 0.5
dtype: bfloat16

💻 Usage

!pip install -qU transformers accelerate

from transformers import AutoTokenizer
import transformers
import torch

model = "mlabonne/Beagle14-7B"
messages = [{"role": "user", "content": "What is a large language model?"}]

tokenizer = AutoTokenizer.from_pretrained(model)
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    torch_dtype=torch.float16,
    device_map="auto",
)

outputs = pipeline(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.74.76
AI2 Reasoning Challenge (25-Shot)72.95
HellaSwag (10-Shot)87.95
MMLU (5-Shot)64.70
TruthfulQA (0-shot)68.88
Winogrande (5-shot)82.64
GSM8k (5-shot)71.42

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
c96dba5

0 моделей