Характеристики

Контекст: 4 096 токенов
Параметры: 10,7 млрд
Размер весов: 21,7 ГБ
Лицензия: MIT
Архитектура: llama · dense
Опубликована: 22 янв 2024

Ссылки

Orca-Platypus-v3-1epoch

Генерация текстаТекст → текст3 профессии

Производная модели realPCH/Orca-Platypus-kiwi-1epoch. Дообученная Llama на базе KoSOLAR для генерации текста по инструкциям, с акцентом на корейский язык.

16скачиваний за 30 дней0лайковвеса обновлены28 янв 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

Карточка модели realPCH/Orca-Platypus-v3-1epoch на Hugging Face совпадает с карточкой realPCH/Orca-Platypus-kiwi-1epoch, поэтому описание составлено по ней.

realPCH/Orca-Platypus-kiwi-1epoch — дообученная модель семейства Llama, созданная на основе yanolja/KoSOLAR-10.7B-v0.1. Она предназначена для генерации текста по инструкциям; в карточке указан датасет KOR-Orca-Platypus-kiwi. Модель содержит 10,7 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Файлы опубликованы в формате Safetensors, лицензия — MIT.

Пример из карточки показывает запуск через Transformers и формат инструкции [INST]…[/INST]. Сведений о качестве ответов, более широком наборе языков и специализированных областях применения нет; название датасета указывает на корейскую направленность обучения, но само по себе не подтверждает полный перечень поддерживаемых языков.

Сценарии применения

генерация ответов на инструкции на корейском языке
создание черновиков текста на корейском языке
продолжение текста по заданному контексту

Ограничения

Карточка не приводит оценок качества или результатов тестирования, поэтому пригодность для конкретных сценариев нужно проверять отдельно. Контекст ограничен 4096 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Developed by chPark

Training Strategy

We fine-tuned this model based on yanolja/KoSOLAR-10.7B-v0.1

Run the model

from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "realPCH/ko_solra_merge"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
text = "[INST] Put instruction here. [/INST]"
inputs = tokenizer(text, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=20)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры: LlamaForCausalLM
Ревизия весов: 54224f2