/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
cc
Архитектура
mistral · dense
Опубликована
14 дек 2023

go-bruins-v2.1.1

Генерация текстаТекст → текст10 профессий

Текстовая генеративная модель Mistral на 7,1 млрд параметров для создания ответов и продолжения текста по запросу.

83скачиваний за 30 дней22лайкавеса обновлены18 дек 2023

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

rwitz2/go-bruins-v2.1.1 — текстовая генеративная модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Репозиторий содержит веса в формате Safetensors; заявленное окно контекста составляет 32 768 токенов. README сообщает, что модель основана на jan-hq/trinity-v1, дообученной методом DPO на Intel/orca_dpo_pairs, и содержит следы Cybertron-2.

Модель предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. README заявлял о первом месте в таблице лидеров 16 декабря 2023 года, но не уточняет саму таблицу или условия оценки. Автор также предупреждает о возможном загрязнении некоторых обучающих данных и сообщает о планах устранить его в будущих версиях. Лицензия репозитория — CC; конкретный вариант лицензии не указан в предоставленных метаданных.

Сценарии применения

  • генерация текста по заданной теме
  • подготовка ответов в диалоговом интерфейсе
  • продолжение и переписывание текста
  • создание черновиков и идей по текстовому запросу

Ограничения

Автор предупреждает о возможном загрязнении части обучающих данных. Заявление о месте в таблице лидеров не сопровождается сведениями о таблице или условиях оценки.

Для каких профессий подходит10

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

jan-hq/trinity-v1 DPO-trained on Intel/orca_dpo_pairs

#1 Model on the Leaderboard of ANY SIZE 12/16/2023

12/18 Update: Some of the datasets used to create the model I fine-tuned may have been contaminated. I am doing my best to remove thie contamination in future models. Thanks for your patience. Contains traces of Cybertron-2:

  title={Cybertron: Uniform Neural Alignment}, 
  author={Xavier Murias},
  year={2023},
  publisher = {HuggingFace},
  journal = {HuggingFace repository},
  howpublished = {\url{https://huggingface.co/fblgit/una-cybertron-7b-v2-bf16}},
}```

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
e5a6da1

0 моделей