/ Модель
Каталог

Характеристики

Контекст
2 048 токенов
Параметры
1,2 млрд
Архитектура
jamba · MoE
Базовая модель
jamba-1.9b-9
Библиотека
transformers
Опубликована
17 ноя 2024

Ссылки

Hugging Face

jamba-1.9b-3_layer

neeleshg23
Генерация текстаТекст → текст3 профессии

Дообученная модель Jamba MoE на 1,2 млрд параметров для генерации текста с контекстом до 2048 токенов.

30скачиваний за 30 дней0лайковвеса обновлены18 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.

Открыть конструктор бенчмарка

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

neeleshg23/jamba-1.9b-3_layer — дообученная модель семейства Jamba с архитектурой MoE для генерации текста. Она основана на neeleshg23/jamba-1.9b-9 и содержит 1,2 млрд параметров; опубликована в формате safetensors и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации продолжения текста и может использоваться в задачах, где требуется текстовый ответ или черновик.

Данные обучения, языки, специализированные сценарии и результаты оценки не описаны. Модель опубликована под лицензией, сведения о которой в доступных данных отсутствуют.

Сценарии применения

  • генерация продолжения по текстовому запросу
  • создание черновиков текста
  • получение текстовых ответов на подсказки

Ограничения

Данные обучения, поддерживаемые языки и результаты оценки не описаны; поэтому пригодность для конкретных задач не подтверждена. Для модели указан контекст до 2048 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельIII.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

jamba-1.9b-3_layer

This model is a fine-tuned version of neeleshg23/jamba-1.9b-9 on an unknown dataset.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 0.0009
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 4
  • total_train_batch_size: 32
  • total_eval_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • num_epochs: 1

Training results

Framework versions

  • Transformers 4.46.2
  • Pytorch 2.5.1+cu124
  • Datasets 3.1.0
  • Tokenizers 0.20.3

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
JambaForCausalLM
Ревизия весов
bde4905

0 моделей

    Создать бенчмарк