/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,9 млрд
Размер весов
14,6 ГБ
Лицензия
MIT
Архитектура
llama · dense
Опубликована
7 июн 2024

sarashina2-7b

Генерация текстаТекст → текст3 профессии

Японско-английская базовая языковая модель SB Intuitions для генерации текста и его продолжения.

1 706скачиваний за 30 дней28лайковвеса 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

Sarashina2-7B — языковая модель SB Intuitions с архитектурой Llama 2, предназначенная для генерации текста. В этой версии около 6,9 млрд параметров; модель обучена на 2,1 трлн токенов. В конфигурации указаны 32 слоя, скрытая размерность 4096, 32 головы внимания и контекст длиной 4096 токенов.

Модель обучалась преимущественно на японских веб-текстах, а также на английских документах. Она подходит для продолжения текста и других сценариев генерации на японском и английском языках; токенизатор SentencePiece с unigram-моделью и byte fallback позволяет подавать японский текст без предварительной токенизации. Модель не настроена следовать инструкциям: ответы могут быть бессмысленными, неточными, предвзятыми или неприемлемыми, поэтому для диалоговых и пользовательских сценариев рекомендуется дополнительная настройка с учётом предпочтений и безопасности. Лицензия — MIT.

Сценарии применения

  • продолжение японского текста
  • генерация английского текста
  • создание черновиков на японском
  • эксперименты с базовой языковой моделью
  • дообучение модели для диалогов и следования инструкциям

Ограничения

Модель не настроена следовать инструкциям, поэтому может выдавать бессмысленные, неточные, предвзятые или неприемлемые ответы. Для диалогового применения рекомендуется дополнительная настройка.

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

Sarashina2-7B

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/sarashina2-7b", torch_dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("sbintuitions/sarashina2-7b")
# If you want to use slow tokenizer
# tokenizer = AutoTokenizer.from_pretrained("sbintuitions/sarashina2-7b", use_fast=False)
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)
 
# These examples are generated by sarashina2-7b parameters model
# {'generated_text': 'おはようございます、今日の天気は晴れです。ちょっと風が強い。\n昨日は、久しぶりにゆっくりとしていました。\n2週間位間があいてしまったかも、でもその間に'}
# {'generated_text': 'おはようございます、今日の天気は曇。朝は曇っていてどんよりしていましたね。昼からは晴れそうですが。気温は徐々に上昇しています。昨日は春らしい陽気でした。'}
# {'generated_text': 'おはようございます、今日の天気はくもり、少し寒気がします。 この土日に、家族で一泊二日で旅行に行ってきました。といっても、100キロ'}

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

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
15b989b

0 моделей