/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
6,6 млрд
Размер весов
13,5 ГБ
Лицензия
OpenRAIL
Архитектура
llama · dense
Опубликована
24 авг 2023

extremITA-Camoscio-7b

Генерация текстаТекст → текст3 профессии

Итальянская инструктивная модель на базе LLaMA с 6,6 млрд параметров для генерации текста и выполнения текстовых запросов.

32скачиваний за 30 дней5лайковвеса обновлены5 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

ExtremITA Camoscio 7B — плотная языковая модель на архитектуре LLaMA с 6,6 млрд параметров, разработанная для работы с инструкциями на итальянском языке. Модель представляет собой объединение весов исходной LLaMA и адаптеров Camoscio, созданных на основе tellinsan/camoscio-7b-llama; авторы также дообучали её для соревнования EVALITA 2023. Репозиторий содержит веса PyTorch, а нативная длина контекста составляет 2048 токенов.

Модель предназначена для генерации текста и выполнения инструкций на итальянском языке, например для диалоговых ответов, черновиков и помощи в задачах с текстом. Карточка указывает лицензию OpenRAIL. Ограниченный контекст и специализация на итальянских инструкциях могут снижать качество на длинных запросах и на других языках; сравнительные оценки качества в карточке не приведены.

Сценарии применения

  • ответы на инструкции и вопросы на итальянском языке
  • генерация итальянских текстов и черновиков
  • диалоговый помощник для текстовых запросов на итальянском языке

Ограничения

Контекст ограничен 2048 токенами; модель ориентирована на итальянские инструкции, а качество для других языков и длинных запросов не охарактеризовано в карточке.

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

ExtremITA Camoscio 7 bilion parameters

This is the base model trained on Italian instructions, a sibling of Alpaca.
It is based on tellinsan/camoscio-7b-llama adapters and the original LLaMA model, and it adds nothing new to tellinsan/camoscio-7b-llama. Our version is the merged model with the adapters in order to obtain a more stable model that can be further fine-tuned, which we did for the EVALITA 2023 challenge.

Usage

Checkout the github repository for more insights and codes: https://github.com/crux82/ExtremITA

from transformers import LLaMATokenizer, LLaMAForCausalLM, GenerationConfig
import torch

tokenizer = LLaMATokenizer.from_pretrained("yahma/llama-7b-hf")
model = LLaMAForCausalLM.from_pretrained(
    "sag-uniroma2/extremITA-Camoscio-7b",
    load_in_8bit=True,
    device_map="auto",
)

generation_config = GenerationConfig(
  temperature=0.2,
  top_p=0.75,
  top_k=40,
  num_beams=4,
)

prompts = [
  "Riassumi la storia di Pinocchio",
  "Scrivi un programma che stampa i numeri da 1 a 100. Ma per i multipli \
  di tre stampa 'Fizz' al posto del numero e per i multipli di cinque \
  stampa 'Buzz'. Per i numeri che sono multipli sia di tre che di cinque \
  stampa 'FizzBuzz'."
]

inputs = tokenizer(prompts, return_tensors="pt", padding=True, \
                  truncation=True).to(model.device)

with torch.no_grad():
  gen_outputs = model.generate(
    **inputs,
    generation_config=generation_config,
    return_dict_in_generate=True,
    output_scores=True,
  )

  for i in range(len(gen_outputs[0])):
    output = tokenizer.decode(gen_outputs[0][i], skip_special_tokens=True)
    print(output)

Citation

@inproceedings{hromei2023extremita,
  author       = {Claudiu Daniel Hromei and
                  Danilo Croce and
                  Valerio Basile and
                  Roberto Basili},
  title        = {ExtremITA at EVALITA 2023: Multi-Task Sustainable Scaling to Large Language Models at its Extreme},
  booktitle    = {Proceedings of the Eighth Evaluation Campaign of Natural Language
                  Processing and Speech Tools for Italian. Final Workshop (EVALITA 2023)},
  publisher    = {CEUR.org},
  year         = {2023},
  month        = {September},
  address      = {Parma, Italy}
}

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
6641c28

0 моделей