/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
110 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
pytorch
Опубликована
11 сен 2026

vaani-gujarati-slm

Генерация текстаТекст → текст3 профессии

Компактная модель на гуджарати для следования инструкциям и ответов на медицинские вопросы по предоставленному контексту.

297скачиваний за 30 дней1лайквеса обновлены17 сен 2026

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

Vaani (med-v5) — компактная языковая модель, разработанная для медицинских вопросов и инструкций на гуджарати. Модель содержит 109,5 млн параметров, построена на архитектуре Llama с причинным языковым моделированием и обучена с нуля на корпусе гуджарати, затем прошла полное дообучение по инструкциям и адаптацию к медицинской области. Контекст — 2048 токенов.

Модель предназначена для ответов на вопросы с выбором варианта, следования инструкциям и ответов на медицинские вопросы по предоставленному контексту. Её следует использовать для понимания медицинских материалов на гуджарати, а не для получения медицинских сведений без источника. По самооценке разработчиков, точность ответов по контексту на указанном тесте составила 44,1%, а следования инструкциям — 70%; эти результаты основаны на внутренних оценках и не гарантируют качество в других сценариях.

Весовые файлы выпущены под лицензией Apache-2.0. Данные дообучения собраны из источников с разными условиями лицензирования, включая CC BY-SA и некоммерческую лицензию для материалов на основе WikiHow; при использовании данных необходимо учитывать условия их источников.

Сценарии применения

  • ответы на медицинские вопросы на гуджарати по предоставленному тексту
  • решение медицинских вопросов с выбором ответа на гуджарати
  • извлечение медицинской информации из текста на гуджарати
  • выполнение инструкций и форматирование ответов на гуджарати

Ограничения

Модель рассчитана на ответы по предоставленному контексту и не предназначена для надёжного воспроизведения медицинских фактов без источника. Самооценка на тестах показывает ограниченную точность: 44,1% для медицинских ответов с контекстом и 38,6% для медицинских вопросов с выбором ответа.

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

Vaani — Gujarati Small Language Model (~110M)

Submission: IAIRO / PRAMANA SLM++ · Domain: Medical QA (Gujarati) · Params: 109.5M (≤1B) · Base: trained from scratch

Vaani is a 110M-parameter Gujarati language model pretrained from scratch on a Gujarati corpus, then instruction-tuned and adapted to the medical-QA domain. It is built for Gujarati instruction following and grounded (open-book) medical question answering.


1. Model & Architecture

FieldValue
Model name / versionVaani (med-v5, final)
Base modelFrom scratch
Parameter count109.5M
Layers12
Model dim (d_model)768
AttentionMulti-Head Attention (MHA); n_head = n_kv_head = 12, head_dim 64
NormalizationRMSNorm (pre-norm)
Activation / FFNSwiGLU, hidden mult 8/3 (~2048)
Positional encodingRoPE (theta 10,000)
Context length2,048
EmbeddingsTied input/output embeddings
TokenizerCharacter-level BPE, vocab 32,000, trained for Gujarati (1.30 tokens/word)
Precisionbf16

2. Domain & Task

  • Domain: Medical (Gujarati).
  • Primary task: Multiple-choice medical QA + Gujarati instruction following.
  • End user / use case: Gujarati-language assistant for grounded medical reading comprehension (answering from provided context), not a source of unaided medical facts.

3. Data

FieldValue
Pretraining corpusGujarati corpus, ~6.78B tokens (Sangraha + Wikipedia-gu + FineWeb-2; see §8)
Pretraining tokens seen~13.63B (13,000 steps × 1.05M tokens/step, ≈2 epochs)
Instruction SFTsft_v4.jsonl (~150k): Wiki_Chat + Dolly + WikiHow, plus format skills (JSON / extraction / transformation / exact-count lists); see §8
Medical SFTmedical_sft_v3.jsonl (~114k): MedMCQA-gu closed-book + raw-grounded + redacted-grounded + 30% general mix
Contamination checkdomain eval uses a held-out MedMCQA-gu validation split, disjoint from SFT

4. Training

FieldValue
ObjectiveCausal LM (next-token)
Effective batch512 sequences (micro-batch 8 × grad-accum 64) × 2,048 ctx = 1.05M tokens/step
Steps13,000 (pretraining)
OptimizerAdamW (betas 0.9/0.95, eps 1e-8, fused, decoupled weight decay 0.1)
LR scheduleWSD: warmup 700 → peak 4e-4 → cosine decay to 4e-5 (final 20%)
Hardware1× NVIDIA L4 (24 GB)
GPU-hours (final model path)~100 h (pretraining ~96 + instruction SFT v4 ~3 + medical SFT v5 ~1)
GPU-hours (incl. SFT ablations)~106 h

5. Post-Training (SFT)

FieldValue
SFT performedYes
MethodFull fine-tune (not LoRA)
Instruction SFT3 epochs, effective batch 32
Medical SFT2 epochs, effective batch 32, on the instruction-tuned checkpoint
Chat templateવપરાશકર્તા:\n{question}\nસહાયક:\n{answer}

6. Evaluation (self-reported internal eval)

Level 1 — Training health: PASS (all gates) — loss reduction 68.2% (10.53→3.35), convergence, no NaN/Inf, final val–train gap 2.0%.

6.1 Development progression (Vaani checkpoints)

MCQ = acc_norm, fixed n=80 Gujarati dev set. Instruction = rule-based checkers (9 buckets). Open-book = MedMCQA-gu val, closed vs with-context (raw-grounded).

StageMCQ (n=80)InstructionOpen-book (closed → w/ctx)
Instruction SFT v136.3%35.9%-
Instruction SFT v236.3%46.0%-
Instruction SFT v3 (targeted aug)31.3%68.7%-
Format SFT v4 (JSON/extract/lists)28.8%66.7% (71.2% greedy)-
Medical SFT v3 (raw-grounded)33.8%68.2%26.6% → 30.8%
Medical SFT v441.3%66.7%28.6% → 38.2%
Medical SFT v5 (final)41.3%69.7%28.8% → 44.1%
Medical SFT v6 (redacted)--28.7% → 42.8%

Instruction-following rose 36% → 70% via targeted augmentation and format skills. Open-book (grounded) accuracy rose monotonically 30.8% → 38.2% → 44.1% across medical stages, lift growing +4.2 → +9.6 → +15.3. v6 (redacted-heavy) regressed vs v5, so v5 is submitted. On the larger cross-model sets, v5 scores MCQ 38.6% (n=145) and open-book with-context 44.1% (n=1,858).

6.2 Comparison vs external models

Same harness for all. MCQ = 145-item Gujarati set (acc_norm, log-likelihood); Instruction = rule-based checkers; Open-book = MedMCQA-gu val, with vs without context (Vaani n=1,858; external models n=500).

ModelParamsMCQInstructionOpen-book w/ctxGrounding lift
Vaani (final)110M38.6%70%44.1%+15.3
gemma-2-2b-it2B37.2%67%37.8%+9.6
sarvam-1 (base)2B36.6%24%40.2%+11.4
Navarasa-2.02B42.8%54%35.0%+10.0
Qwen2.5-7B-Instruct7B51.0%53%44.0%+18.0

Takeaways:

  • Instruction-following leads the field: Vaani 70% > gemma-2B 67%, Navarasa-2B 54%, Qwen-7B 53%. Even Qwen-7B fails exact-count lists (list_3/5 0%, numbered 14%) — skills Vaani was explicitly trained on.
  • Open-book comprehension is best in test: Vaani 44.1% tops Qwen-7B (44.0%) and all 2B models. A 110M model leads on grounded reading.
  • General MCQ: Vaani 38.6% beats gemma-2B (37.2%) and sarvam-2B (36.6%); trails Navarasa-2B (42.8%) and Qwen-7B (51%). Closed-book recall scales with size, as expected. Vaani is built to use provided context, not recall facts unaided.

7. Reproducibility

  • Weights: https://huggingface.co/pratham-commits/vaani-gujarati-slm
  • Datasets: https://huggingface.co/datasets/pratham-commits/vaani-gujarati-sft-data
  • Inference: eval.py (research harness) / chat.py (interactive); greedy for structured/objective tasks (temp 0), sampling for open-ended.
  • Dependencies: torch 2.9.1+cu129, transformers 4.57.6, tokenizers 0.22.2, huggingface_hub<1.0 (Python 3.10)
  • Known limitations / failure modes:
    • Closed-book medical factual recall is limited by 110M capacity; strongest when answering from provided context (open-book/RAG).
    • Structured JSON output was learned only for the fixed schemas seen in training (e.g. name/age/city) and does not generalize to arbitrary keys — not exposed as a general capability. Exact-count lists require greedy decoding; sampling with no-repeat-ngram degrades them.
    • Gujarati-only; not tuned for code-switching or other Indic languages.

8. Data Sources, Licenses & Attribution

Pretraining corpus (described, not re-hosted):

  • AI4Bharat Sangraha (verified / unverified / synthetic, gu) — CC BY-4.0. Khan et al., 2024 (arXiv:2403.06350).
  • Wikipedia (gu, 20231101) — CC BY-SA 4.0. Wikimedia Foundation.
  • FineWeb-2 (guj_Gujr) — ODC-BY. Penedo et al., 2024 (arXiv:2406.17557).

Instruction SFT sources (in sft_v4.jsonl):

  • Dolly (databricks-dolly-15k, translated to Gujarati) — CC BY-SA 3.0. Databricks.
  • WikiHow (Gujarati) — derived from WikiHow content (CC BY-NC-SA); see license note below.
  • Wiki_Chat — Wikipedia-derived instruction/QA (CC BY-SA).
  • Anudesh (AI4Bharat IndicLLMSuite) was evaluated and dropped for quality; not included.

Medical data:

  • MedMCQA — Pal, Umapathi & Sankarasubbu, 2022 (arXiv:2203.14371). MedMCQA-gu is a Gujarati translation of MedMCQA items, decontaminated against the held-out validation split.

External comparison models (benchmarked only, not redistributed): google/gemma-2-2b-it (Gemma Terms of Use), sarvamai/sarvam-1, Telugu-LLM-Labs/Indic-gemma-7b-finetuned-sft-Navarasa-2.0 (Gemma Terms of Use), Qwen/Qwen2.5-7B-Instruct (Apache-2.0).

License note: Vaani's weights are released under Apache-2.0. The SFT data combines sources under different licenses (CC BY-SA, and WikiHow-derived content under a non-commercial share-alike license). See the dataset card for per-source licensing; downstream users should respect each source's terms.

9. Citations

  • Khan et al. (2024), IndicLLMSuite / Sangraha, arXiv:2403.06350
  • Penedo et al. (2024), FineWeb / FineWeb-2, arXiv:2406.17557
  • Pal, Umapathi & Sankarasubbu (2022), MedMCQA, arXiv:2203.14371
  • Hoffmann et al. (2022), Chinchilla, arXiv:2203.15556; Sardana et al. (2024), arXiv:2401.00448
  • Full design-decision references: see DECISIONS.md in the project repo.

Acknowledgements

Built during the IAIRO / PRAMANA SLM++ bootcamp.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
34341cb

0 моделей