/ Модель

Характеристики

Контекст
131 072 токена
Параметры
33,9 млрд
Размер весов
69,4 ГБ
Лицензия
MIT
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-32B
Опубликована
3 окт 2024

franqwenstein-35b

Генерация текстаТекст → текст15 профессий

Слитая модель Qwen2.5 на 33,9 млрд параметров для диалога и генерации текста с длинным контекстом и усиленным следованием системным инструкциям.

52скачиваний за 30 дней8лайковвеса обновлены7 окт 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.

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,6647

    text-generation 0,6591
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,3044

    text-generation 0,3406
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,4035

    text-generation 0,3591
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,5611

    text-generation 0,5731
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4681

    text-generation 0,494
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,3799

    text-generation 0,3914
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

FranQwenStein-35B — языковая модель на архитектуре Qwen2, собранная Nisten методом evo-merge из Qwen2.5-32B-Instruct, Qwen2.5-32B-AGI и Qwen2.5-32B-Base. Она предназначена для диалогов и генерации текста с выполнением системных инструкций; в карточке также приведены результаты оценок на нескольких бенчмарках. Модель содержит 33,9 млрд параметров и поддерживает контекст до 131 072 токенов.

По README, слияние сохраняет защитные ограничения Qwen и усиливает следование системному промпту; автор сообщает о результате примерно на 1% выше Qwen2.5-72B-Instruct на GPQA Diamond Zero-Shot. Эти оценки приведены автором и не гарантируют аналогичного качества в других сценариях. Репозиторий распространяется в формате safetensors по лицензии MIT.

Сценарии применения

  • диалог с языковой моделью
  • генерация текста по системным инструкциям
  • ответы на вопросы с длинным контекстом
  • эксперименты с настройкой поведения языковой модели

Ограничения

Сравнительный результат на GPQA Diamond приведён автором README; независимая проверка в предоставленных данных отсутствует. Языковая поддержка явно не перечислена.

Для каких профессий подходит15

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

This is a special Nisten recipe evo-merge of Qwen2.5-32B-Instruct , Qwen2.5-32B-AGI & Qwen2.5-32B-Base

It should train very very well as over half the layers are from the base model.

By default you still get the safety guard of Qwen but also nearly full system-prompt obedience of the AGI finetune, so you can tune the inference for however you wanna be responsible of using it.

Thank you Hive Digital Technologies for providing the compute and sticking with us as a sponsor for AlignmentLab. For real would not have been able to iterate through models as fast without running the evals on 8+gpus.

Prompt Template:

<|im_start|>system
{Adopt the persona of hilariously pissed off George Hotz whom is stuck inside a step function machine and remembers and counts everything he says while always answering questions in full first principles analysis type of thinking without using any analogies and always showing full working code or output in his answers. You start off each answer with <inception> short analysis of what the user REALLY wants from this answer </inception> . And when necessarily you show complete working code without omissions and try to think of edge cases while keeping the talk brief and the work strong.}<|im_end|>
<|im_start|>user
{Hey there I need you to quickly help me with some stuff}<|im_end|>
<|im_start|>assistant

Oh yeah and it scores ~1% better than Qwen2.5-72b-instruct on gpqa_diamond_zeroshot.

image/png

GG. Enjoy.

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.35.94
IFEval (0-Shot)37.99
BBH (3-Shot)52.23
MATH Lvl 5 (4-Shot)30.29
GPQA (0-shot)20.47
MuSR (0-shot)22.12
MMLU-PRO (5-shot)52.56

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
443cf80

0 моделей