/ Модель

Характеристики

Контекст
8 192 токена
Параметры
69,3 млрд
Размер весов
140 ГБ
Лицензия
MIT
Архитектура
llama · dense
Опубликована
6 авг 2024

sarashina2-70b

Генерация текстаТекст → текст3 профессии

Sarashina2-70B — большая языковая модель SB Intuitions для генерации японского и английского текста.

125скачиваний за 30 дней17лайковвеса обновлены26 авг 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

Sarashina2-70B — большая языковая модель, разработанная SB Intuitions на архитектуре Llama 2. Модель содержит 69,3 млрд параметров, обучена на 2,1 трлн токенов и использует контекст длиной до 8192 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Модель предназначена для генерации текста, в первую очередь на японском и английском языках. Японские данные для обучения собраны из Common Crawl и очищены с помощью CCNet и HojiChar; английские документы взяты из SlimPajama. Токенизатор SentencePiece использует unigram-модель и byte fallback.

Sarashina2-70B не настроена на следование инструкциям. Она может выдавать бессмысленный или неточный текст, а также предвзятые или нежелательные ответы; для прикладного использования разработчикам рекомендуется дополнительная настройка с учетом человеческих предпочтений и требований безопасности.

Сценарии применения

  • генерация японского текста
  • генерация английского текста
  • продолжение японских текстовых фрагментов
  • продолжение английских текстовых фрагментов
  • эксперименты с базовой языковой моделью на 70 млрд параметров

Ограничения

Модель не настроена на следование инструкциям и может генерировать бессмысленный или неточный текст, предвзятые и нежелательные ответы. Для прикладного использования рекомендуется дополнительная настройка с учетом предпочтений людей и требований безопасности.

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

Sarashina2-70B

This repository provides large language models trained by SB Intuitions.

How to use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline, set_seed
 
model = AutoModelForCausalLM.from_pretrained("sbintuitions/sarashina2-70b", torch_dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("sbintuitions/sarashina2-70b")
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
set_seed(123)
 
text = generator(
    "おはようございます、今日の天気は",
    max_length=30,
    do_sample=True,
    pad_token_id=tokenizer.pad_token_id,
    num_return_sequences=3,
)

for t in text:
  print(t)
 

Configuration

ParametersVocab sizeTraining tokensArchitecturePosition typeLayersHidden dimAttention heads
7B1024002.1TLlama2RoPE32409632
13B1024002.1TLlama2RoPE40512040
70B1024002.1TLlama2RoPE80819264

Training Corpus

For our Japanese training data, we used a Japanese portion of the Common Crawl corpus, which is the largest Web corpus, as our training dataset. To clean the training corpus, we used CCNet and HojiChar. After cleaning, our Japanese training data contains about 1T tokens.

For our English training data, we extracted English documents from SlimPajama but we removed books3 corpus due to copyright infringement.

Tokenization

We use a sentencepiece tokenizer with a unigram language model and byte-fallback. We do not apply pre-tokenization with Japanese tokenizer. Thus, a user may directly feed raw sentences into the tokenizer.

Ethical Considerations and Limitations

Sarashina2 has not been tuned to follow an instruction yet. Therefore, sarashina2 might generate some meaningless sequences, some inaccurate instances or biased/objectionable outputs. Before using sarashina2, we would like developers to tune models based on human preferences and safety considerations.

License

MIT License

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
f6959d9

0 моделей