/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,7 млрд
Лицензия
Llama 2
Архитектура
llama · dense
Опубликована
26 сен 2023

ELYZA-japanese-Llama-2-7b-fast-instruct-GPTQ-calib-ja-2k

Генерация текстаТекст → текст

Квантизированная GPTQ-версия японской инструктивной модели ELYZA на базе Llama 2 для генерации текста и ответов на японском языке.

112скачиваний за 30 дней3лайкавеса обновлены26 сен 2023

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

Это квантизированная версия ELYZA-japanese-Llama-2-7b-fast-instruct, опубликованной ELYZA. Модель построена на архитектуре LlamaForCausalLM и содержит около 6,7 млрд параметров; контекст — до 4096 токенов. Для калибровки GPTQ использованы японские данные: случайная выборка примерно из 2 тысяч фрагментов Википедии и около 200 примеров input/output из ELYZA-tasks-100.

Модель предназначена для генерации текста и инструктивного диалога на японском языке. README предлагает использовать AutoGPTQ и Transformers. Репозиторий содержит веса safetensors. Лицензия — llama2; применяйте модель с учётом условий лицензии Llama 2.

Сценарии применения

  • ответы на инструкции на японском языке
  • генерация японского текста
  • диалоговый помощник для японского языка

Ограничения

Качество модели зависит от японской калибровочной выборки; README не приводит оценок качества или сравнительных тестов. Для загрузки README указывает AutoGPTQ и Transformers.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ELYZA-japanese-Llama-2-7b-fast-instruct-GPTQ-calib-ja-2k

elyzaさんが公開している、ELYZA-japanese-Llama-2-7b-fast-instructを、 日本語のキャリブレーションセットで生成したGPTQモデルになります。

キャリブレーションセットはizumi-lab/wikipedia-ja-20230720から、 2kほどランダムサンプリングしたものと、
ELYZA-tasks-100のinput/outputを計200ほど追加しています。
mmnga/wikipedia-ja-20230720-2k

AWQはこちら
mmnga/ELYZA-japanese-Llama-2-7b-fast-instruct-AWQ-calib-ja-100k

Usage

pip install auto-gptq transformers
from auto_gptq import AutoGPTQForCausalLM, BaseQuantizeConfig
from transformers import AutoTokenizer

model_name_or_path = "mmnga/ELYZA-japanese-Llama-2-7b-fast-instruct-GPTQ-calib-ja-2k"

# Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)

# Model
model = AutoGPTQForCausalLM.from_quantized(model_name_or_path, use_safetensors=True, device="cuda:0", use_auth_token=False)

#Your test prompt
prompt = """[INST] <<SYS>>あなたは誠実で優秀な日本人のアシスタントです。<</SYS>>クマが海辺に行ってアザラシと友達になり、最終的には家に帰るというプロットの短編小説を書いてください。 [/INST]"""
print(tokenizer.decode(model.generate(**tokenizer(prompt, return_tensors="pt").to(model.device), max_length=512)[0]))

Citation

@misc{elyzallama2023, 
      title={ELYZA-japanese-Llama-2-7b}, 
      url={https://huggingface.co/elyza/ELYZA-japanese-Llama-2-7b}, 
      author={Akira Sasaki and Masato Hirakawa and Shintaro Horie and Tomoaki Nakamura},
      year={2023},
}
@misc{touvron2023llama,
      title={Llama 2: Open Foundation and Fine-Tuned Chat Models}, 
      author={Hugo Touvron and Louis Martin and Kevin Stone and Peter Albert and Amjad Almahairi and Yasmine Babaei and Nikolay Bashlykov and Soumya Batra and Prajjwal Bhargava and Shruti Bhosale and Dan Bikel and Lukas Blecher and Cristian Canton Ferrer and Moya Chen and Guillem Cucurull and David Esiobu and Jude Fernandes and Jeremy Fu and Wenyin Fu and Brian Fuller and Cynthia Gao and Vedanuj Goswami and Naman Goyal and Anthony Hartshorn and Saghar Hosseini and Rui Hou and Hakan Inan and Marcin Kardas and Viktor Kerkez and Madian Khabsa and Isabel Kloumann and Artem Korenev and Punit Singh Koura and Marie-Anne Lachaux and Thibaut Lavril and Jenya Lee and Diana Liskovich and Yinghai Lu and Yuning Mao and Xavier Martinet and Todor Mihaylov and Pushkar Mishra and Igor Molybog and Yixin Nie and Andrew Poulton and Jeremy Reizenstein and Rashi Rungta and Kalyan Saladi and Alan Schelten and Ruan Silva and Eric Michael Smith and Ranjan Subramanian and Xiaoqing Ellen Tan and Binh Tang and Ross Taylor and Adina Williams and Jian Xiang Kuan and Puxin Xu and Zheng Yan and Iliyan Zarov and Yuchen Zhang and Angela Fan and Melanie Kambadur and Sharan Narang and Aurelien Rodriguez and Robert Stojnic and Sergey Edunov and Thomas Scialom},
      year={2023},
      eprint={2307.09288},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

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
dbf9fb5

0 моделей