/ Модель
Каталог

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
CreativeML OpenRAIL-M
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
1 дек 2024

Ссылки

Hugging Face

Math-IIO-7B-Instruct

prithivMLmods
Генерация текстаТекст → текст3 профессии

Дообученная на математических задачах модель Qwen2.5-7B для вычислений, рассуждений и пошаговых объяснений.

37скачиваний за 30 дней1лайквеса обновлены2 дек 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.

Открыть конструктор бенчмарка

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

Math IIO 7B Instruct — дообученная PrithivMLmods языковая модель на архитектуре Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для математических задач, пошаговых вычислений и ответов на инструкции; поддерживает диалоговый режим и контекст до 32 768 токенов. В карточке заявлена поддержка математической нотации с помощью дополнительных токенов.

Модель подходит для решения задач от арифметики до математического анализа и линейной алгебры, объяснения решений в учебных сценариях и аналитических запросов. Она принимает текст и генерирует текст. Обучение связано с набором данных prithivMLmods/Math-IIO-68K-Mini. Лицензия — CreativeML Open RAIL-M.

Сценарии применения

  • решение задач по арифметике и алгебре
  • пошаговое объяснение задач по математическому анализу
  • решение задач по линейной алгебре
  • подготовка ответов на математические инструкции
  • аналитические вычисления и логические рассуждения

Ограничения

Карточка не приводит результатов сравнительной оценки качества, поэтому надёжность на сложных математических задачах не подтверждена независимыми метриками. Описанные возможности основаны на заявлении разработчика.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельIV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейIV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

aaa.png

Math IIO 7B Instruct

The Math IIO 7B Instruct is a fine-tuned language model based on the robust Qwen2.5-7B-Instruct architecture. This model has been specifically trained to excel in single-shot mathematical reasoning and instruction-based tasks, making it a reliable choice for educational, analytical, and problem-solving applications.

Key Features:

  1. Math-Optimized Capabilities:
    The model is designed to handle complex mathematical problems, step-by-step calculations, and reasoning tasks.

  2. Instruction-Tuned:
    Fine-tuned for better adherence to structured queries and task-oriented prompts, enabling clear and concise outputs.

  3. Large Vocabulary:
    Equipped with an extensive tokenizer configuration and custom tokens to ensure precise mathematical notation support.

Single Shot Answers

solution.png

Math-IIO File Structure

File Name [ Uploaded file ]SizeDescriptionUpload Status
.gitattributes1.57 kBGit attributes configuration fileUploaded
README.md263 BytesREADME file with minimal detailsUpdated
added_tokens.json657 BytesCustom added tokens for tokenizerUploaded
config.json861 BytesModel configuration fileUploaded
generation_config.json281 BytesConfiguration for text generation settingsUploaded
merges.txt1.82 MBMerge rules for byte pair encoding tokenizerUploaded
pytorch_model-00001-of-00004.bin4.88 GBFirst part of model weights (PyTorch)Uploaded (LFS)
pytorch_model-00002-of-00004.bin4.93 GBSecond part of model weights (PyTorch)Uploaded (LFS)
pytorch_model-00003-of-00004.bin4.33 GBThird part of model weights (PyTorch)Uploaded (LFS)
pytorch_model-00004-of-00004.bin1.09 GBFourth part of model weights (PyTorch)Uploaded (LFS)
pytorch_model.bin.index.json28.1 kBIndex JSON file for model weightsUploaded
special_tokens_map.json644 BytesMap of special tokens used by the tokenizerUploaded
tokenizer.json11.4 MBTokenizer settings and vocabUploaded (LFS)
tokenizer_config.json7.73 kBConfiguration for tokenizerUploaded
vocab.json2.78 MBVocabulary for tokenizerUploaded
Model TypeSizeContext LengthLink
GGUF7B-🤗 Math-IIO-7B-Instruct-GGUF

Training Details:

  • Base Model: Qwen/Qwen2.5-7B-Instruct
  • Dataset: Trained on Math-IIO-68K-Mini, a curated dataset with 68.8k high-quality examples focusing on mathematical instructions, equations, and logic-based queries.

Capabilities:

  • Problem-Solving: Solves mathematical problems ranging from basic arithmetic to advanced calculus and linear algebra.
  • Educational Use: Explains solutions step-by-step, making it a valuable teaching assistant.
  • Analysis & Reasoning: Handles logical reasoning tasks and computational queries effectively.

How to Use:

  1. Download all model files, ensuring the PyTorch weights and tokenizer configurations are included.
  2. Load the model in your Python environment using frameworks like PyTorch or Hugging Face Transformers.
  3. Use the provided configurations (config.json and generation_config.json) for optimal inference.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
7e40d00

0 моделей

    Создать бенчмарк