/ Модель

Характеристики

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

occiglot-7b-it-en

Генерация текстаТекст → текст4 профессии

Базовая модель Occiglot на основе Mistral для генерации текста на английском и итальянском языках и работы с кодом.

95скачиваний за 30 дней5лайковвеса 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-IT-EN — базовая генеративная языковая модель Occiglot Research Collective для английского и итальянского языков. Это плотный авторегрессионный трансформер с декодером Mistral на 7,1 млрд параметров, продолженно обученный на 113 млрд дополнительных токенов многоязычных данных и кода на основе Mistral-7B-v0.1. Контекст модели — до 32 768 токенов.

Модель предназначена для продолжения текста и генерации на английском и итальянском, а также работы с кодом. Она не проходила дообучение на инструкциях и не оптимизирована для диалогов или готовых прикладных сценариев; для чата авторы предлагают отдельную instruct-версию. Карточка приводит предварительные результаты оценки и предупреждает, что часть неанглоязычных тестов основана на машинном переводе и может быть смещена в сторону английского. Лицензия — Apache 2.0.

Сценарии применения

  • продолжение текста на английском языке
  • генерация текста на итальянском языке
  • эксперименты с многоязычным языковым моделированием
  • генерация фрагментов кода
  • оценка базовых языковых моделей на английском и итальянском

Ограничения

Модель не дообучена на инструкциях и не оптимизирована для чата. Оценки для неанглийских языков предварительные, часть тестовых данных машинно переведена и может смещать результаты в пользу английского.

Для каких профессий подходит4

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

image/png

Occiglot-7B-IT-EN

A polyglot language model for the Occident.

Occiglot-7B-IT-EN is a generative language model with 7B parameters for Italian and English and trained by the Occiglot Research Collective.. It is based on Mistral-7B-v0.1 and trained on 113B 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-it-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, Italian, 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-it-en')
>>> set_seed(42)
>>> generator("Salve, sono una modella linguistica,", max_length=40, num_return_sequences=1)
[{'generated_text': 'Salve, sono una modella linguistica che può aiutarvi a tradurre testi tra l'italiano e l'inglese. Se mi inviate un testo in italiano'}]

Dataset

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

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

  • English: ~34%
  • Code: ~13%
  • Italian: ~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-it-en0.5132210.5005640.6944440.6680990.4135280.289469
Occiglot-7b-it-en-instruct0.537210.5231280.7266670.6834140.4149180.337927
Cerbero-7b0.5323850.5137140.7431110.6540610.4275660.323475
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-it-en0.6301270.5802050.7744440.8042220.5789770.412786
Occiglot-7b-it-en-instruct0.6593830.6092150.820.8093010.5788350.479562
Cerbero-7b0.666610.6134810.8277780.8103960.6004840.480911
Mistral-7b-v0.10.6683850.6126280.8444440.8340970.6245550.426201
Mistral-7b-instruct-v0.20.7136570.6373720.8244440.8463450.592010.668116

Italian

avgarc_challenge_itbelebele_ithellaswag_itmmlu_ittruthfulqa_it
Occiglot-7b-eu50.4213820.5012830.6522220.70053300.252874
Occiglot-7b-eu5-instruct0.4372140.5166810.6611110.7132600.295019
Occiglot-7b-it-en0.4326670.5363560.6844440.69476800.247765
Occiglot-7b-it-en-instruct0.4562610.5457660.7177780.71380400.303959
Cerbero-7b0.4349390.5226690.7177780.63156700.302682
Mistral-7b-v0.10.4262640.5021390.7344440.63037100.264368
Mistral-7b-instruct-v0.20.4423830.5192470.7033330.639400.349936

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
91ee7fb

0 моделей