/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Опубликована
10 апр 2024

prox-7b-dpo

Генерация текстаТекст → текст9 профессий

Дообученная на базе Mistral 7B языковая модель для генерации кода и ответов по кибербезопасности.

31скачиваний за 30 дней6лайковвеса обновлены11 апр 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

Prox 7B DPO — языковая модель OpenVoid AI на архитектуре Mistral, дообученная на базе Mistral-7b-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; в репозитории доступны веса Safetensors. Карточка указывает английский язык и лицензию Apache-2.0.

Модель предназначена для генерации и объяснения кода, документирования, вопросов о кибербезопасности и методах взлома, а также помощи в проектах по программированию. Она дообучалась на материалах по кодированию и кибербезопасности, включая наборы данных для DPO; README также упоминает собственный набор OpenVoid AI.

Ответы модели могут содержать ошибки и требуют проверки специалистом. Разработчик предостерегает от использования её для критически важных задач безопасности и незаконной деятельности. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • генерация фрагментов кода по текстовому запросу
  • объяснение и документирование кода
  • ответы на вопросы о кибербезопасности
  • изучение техник тестирования на проникновение
  • получение идей и подсказок для проектов по программированию

Ограничения

Модель может ошибаться и не должна использоваться для критически важных решений в области безопасности без экспертной проверки. Разработчик предостерегает от незаконного применения.

Для каких профессий подходит9

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

Prox 7B DPO

By OpenVoid AI

Discord: https://discord.gg/CBDAbKkgNV

Model description

This model is based on Mistral-7b-v0.2 a new base model released by MistralAI on March 23, 2024 but they have not yet published on HuggingFace. It has been fine-tuned on a dataset containing information related to hacking and coding, with the aim of enhancing its performance on tasks within these domains.

Intended uses & limitations

This model is designed to assist with a variety of natural language processing tasks related to hacking and coding, such as:

  • Code generation
  • Code explanation and documentation
  • Answering questions about hacking techniques and cybersecurity
  • Providing insights and suggestions for coding projects

However, it is important to note that while the model has been fine-tuned on hacking and coding data, it should not be relied upon for critical security applications or used to engage in illegal activities. The model's outputs should be carefully reviewed and verified by experts in the relevant fields before being put into practice.

Training data

The prox-7b model was fine-tuned on a proprietary dataset curated by OpenVoid AI, which consists of a diverse range of hacking and coding-related content.

Training hyperparameters

The following hyperparameters were used during training:

  • Learning rate: 2e-05
  • Train batch size: 4
  • Eval batch size: 8
  • Seed: 42
  • Distributed type: multi-GPU
  • Number of devices: 2
  • Gradient accumulation steps: 4
  • Total train batch size: 32
  • Total eval batch size: 16
  • Optimizer: Adam with betas=(0.9,0.95) and epsilon=1e-08
  • LR scheduler type: cosine
  • LR scheduler warmup steps: 100
  • Training Steps: 414

The training was performed using a distributed multi-GPU setup to accelerate the process and handle the large model size.

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
9d01d26

0 моделей