/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B-Instruct
Библиотека
transformers
Опубликована
8 янв 2025

MiniThinky-v2-1B-Llama-3.2

Генерация текстаТекст → текст3 профессии

Небольшая диалоговая модель Llama, дообученная для генерации ответов с предварительным рассуждением.

218скачиваний за 30 дней43лайкавеса обновлены10 янв 2025

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.

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2399

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3356

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,3205

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0287

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1116

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,2963

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiniThinky-v2-1B-Llama-3.2 — диалоговая языковая модель ngxson, полученная дообучением Meta-Llama-3.2-1B-Instruct. Это плотная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; в репозитории представлены форматы Safetensors и ONNX. Модель генерирует ответы в формате диалога и предназначена для экспериментов с ответами, сопровождаемыми рассуждением.

Для работы автор рекомендует шаблон чата Llama 3 и специальное системное сообщение, к которому модель чувствительна. По словам автора, версия v2 обучалась дополнительно шесть часов после пятичасового обучения v1; в карточке отмечено снижение loss с 0,7 до 0,5. Бенчмарки не приведены, а автор указывает, что модель может ошибаться даже в простых задачах подсчёта символов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • эксперименты с диалоговым ИИ
  • генерация ответов на вопросы в чате
  • тестирование формата ответов с рассуждением

Ограничения

Автор не приводит бенчмарков и отмечает, что модель может ошибаться в простом подсчёте символов. Модель чувствительна к системному сообщению; для ожидаемого формата ответа рекомендуется использовать предложенный автором системный промпт.

Для каких профессий подходит3

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

MiniThinky 1B

This is the newer checkpoint of MiniThinky-1B-Llama-3.2 (version 1), which the loss decreased from 0.7 to 0.5

Link to GGUF version: click here

Chat template is the same with llama 3, but the response will be as follow:

<|thinking|>{thinking_process}
<|answer|>
{real_answer}

IMPORTANT: System message

The model is very sensitive to system message. Make sure you're using this system message (system role) at the beginning of the conversation:

You are MiniThinky, a helpful AI assistant. You always think before giving the answer. Use <|thinking|> before thinking and <|answer|> before giving the answer.

Q&A

Hardware used to trained it?
I used a HF space with 4xL40S, trained for 5 hours (v1) and an additional of 6 hours (v2)

Benchmark?
I don't have time to do it alone. If you can help, please open a discussion!

Can it count number of "r" in "raspberry"?
Unfortunately no

Other things that I can tune?
Maybe lower temperature, or set top_k=1


TODO: include more info here + maybe do some benchmarks? (Plz add a discussion if you're interested)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
6a53b31

0 моделей