/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
29 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Опубликована
19 фев 2024

occiglot-7b-es-en

Генерация текстаТекст → текст6 профессий

Базовая модель Occiglot на архитектуре Mistral для генерации текста на английском и испанском языках и работы с кодом.

135скачиваний за 30 дней4лайкавеса обновлены11 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

Occiglot-7B-ES-EN — базовая генеративная языковая модель с 7,1 млрд параметров, разработанная коллективом Occiglot Research Collective. Это плотный decoder-only трансформер с причинной языковой моделью Mistral; модель продолжает предобучение Mistral-7B-v0.1 на 112 млрд дополнительных токенов многоязычных данных и кода. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0.

Модель предназначена для генерации текста на английском и испанском языках, а также работы с кодом. Её можно использовать как основу для дообучения и оценок или напрямую для продолжения текста; заявленная длина контекста — 32 768 токенов. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалогов и может не следовать пользовательским запросам как чат-ассистент.

Авторы приводят предварительные результаты оценивания, но отмечают, что часть неанглоязычных тестов основана на машинном переводе и англоязычных запросах, поэтому результаты следует трактовать осторожно.

Сценарии применения

  • продолжение текста на английском языке
  • продолжение текста на испанском языке
  • генерация фрагментов кода
  • базовая модель для дообучения на английских и испанских данных
  • оценка многоязычных языковых моделей

Ограничения

Модель не дообучена на инструкциях и не оптимизирована для чата, поэтому ответы на запросы могут быть непоследовательными. Авторы предупреждают, что часть неанглоязычных результатов оценки основана на машинном переводе и англоязычных запросах.

Для каких профессий подходит6

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

image/png

Occiglot-7B-ES-EN

A polyglot language model for the Occident.

Occiglot-7B-ES-EN is a generative language model with 7B parameters for Spanish and English and trained by the Occiglot Research Collective. It is based on Mistral-7B-v0.1 and trained on 112B tokens of additional multilingual and code data with a block size of 8,192 tokens per sample. Note that the model is a general-purpose base model and was not instruction-fine-tuned nor optimized for chat or other applications. We make an instruction tuned variant available as occiglot-7b-es-en-instruct

This is the first release of an ongoing open research project for multilingual language models. If you want to train a model for your own language or are working on evaluations, please contact us or join our Discord server. We are open for collaborations!

Model details

  • Continued-pretraining from: Mistral-7B-v0.1
  • Model type: Causal decoder-only transformer language model
  • Languages: English, Spanish, and code.
  • License: Apache 2.0
  • Compute resources: HessianAI's 42
  • Contributors: Manuel Brack, Patrick Schramowski, Pedro Ortiz, Malte Ostendorff, Fabio Barth, Georg Rehm, Kristian Kersting
  • Research labs: Occiglot with support from SAINT and SLT
  • Contact: Discord

How to use

You can use this model directly with a pipeline for text generation. Since the generation relies on some randomness, we set a seed for reproducibility:

>>> from transformers import pipeline, set_seed
>>> generator = pipeline('text-generation', model='occiglot/occiglot-7b-es-en')
>>> set_seed(42)
>>> generator("Hola, soy una modelo lingüística", max_length=40, num_return_sequences=1)
[{'generated_text': 'Hola, soy una modelo lingüística que puede ayudarte a traducir textos entre español e inglés. Si me envías un texto en español'}]

Dataset

The training data is the respective subset of the data used for occiglot-7b-eu5, i.e. Spanish plus English and Code.

The data distribution by language (estimated) is as follows:

  • English: ~34%
  • Code: ~13%
  • Spanish: ~52%

The training data was prepared using lm-datasets. The exact data configuration is here.

Training settings

  • Continual pre-training on 128 x A100-80GB on HessianAI's 42.
  • Framework: Determined
  • Precision: bf16
  • Optimizer: AdamW (lr: 0.00001, warmup_steps: 420)
  • Global batch size: 512 (with 8192 blocksize) split over 128 GPUs
  • Cosine Annealing with Warmup

Tokenizer

Tokenizer is unchanged from Mistral-7B-v0.1.

Evaluation

Preliminary evaluation results can be found below. Please note that the non-English results are based on partially machine-translated datasets and English prompts (Belebele and Okapi framework) and thus should be interpreted with caution, e.g., biased towards English model performance. Currently, we are working on more suitable benchmarks for Spanish, French, German, and Italian.

All 5 Languages

avgarc_challengebelebelehellaswagmmlutruthfulqa
Occiglot-7b-eu50.5168950.5081090.6755560.7189630.4020640.279782
Occiglot-7b-eu5-instruct0.5377990.536320.6911110.7319180.4051980.32445
Occiglot-7b-es-en0.4833880.4829490.6068890.6539020.3989220.274277
Occiglot-7b-es-en-instruct0.5040230.4945760.650.6708470.4061760.298513
Lince-mistral-7b-it-es0.5434270.5402220.7451110.6929310.4262410.312629
Mistral-7b-v0.10.5471110.5289370.7684440.6825160.4482530.307403
Mistral-7b-instruct-v0.20.567130.5472280.7411110.694550.4225010.430262

English

avgarc_challengebelebelehellaswagmmlutruthfulqa
Occiglot-7b-eu50.596570.5307170.7266670.7898820.5319040.403678
Occiglot-7b-eu5-instruct0.6179050.5588740.7466670.7998410.5351090.449
Occiglot-7b-es-en0.5936090.5435150.6977780.7882890.5483550.390109
Occiglot-7b-es-en-instruct0.6157070.5520480.7366670.7974510.5573280.435042
Leo-mistral-hessianai-7b0.6009490.5221840.7366670.7778330.5388120.429248
Mistral-7b-v0.10.6683850.6126280.8444440.8340970.6245550.426201
Mistral-7b-instruct-v0.20.7136570.6373720.8244440.8463450.592010.668116

Spanish

avgarc_challenge_esbelebele_eshellaswag_esmmlu_estruthfulqa_es
Occiglot-7b-eu50.5331940.5085470.6766670.7254110.4993250.25602
Occiglot-7b-eu5-instruct0.5481550.5350430.680.7370390.5035250.285171
Occiglot-7b-es-en0.5272640.5299150.6277780.722530.5127490.243346
Occiglot-7b-es-en-instruct0.53960.5452990.6366670.7343720.5243740.257288
Lince-mistral-7b-it-es0.5472120.529060.7211110.6879670.5127490.285171
Mistral-7b-v0.10.5548170.5282050.7477780.6727120.5440230.281369
Mistral-7b-instruct-v0.20.5685750.541880.730.6854060.5116990.373891

Acknowledgements

The model training was supported by a compute grant at the 42 supercomputer which is a central component in the development of hessian AI, the AI Innovation Lab (funded by the Hessian Ministry of Higher Education, Research and the Art (HMWK) & the Hessian Ministry of the Interior, for Security and Homeland Security (HMinD)) and the AI Service Centers (funded by the German Federal Ministry for Economic Affairs and Climate Action (BMWK)). The curation of the training data is partially funded by the German Federal Ministry for Economic Affairs and Climate Action (BMWK) through the project OpenGPT-X (project no. 68GX21007D).

License

Apache 2.0

See also

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
87d8446

0 моделей