Характеристики

Контекст: 131 072 токена
Параметры: 1,5 млрд
Лицензия: Apache 2.0
Архитектура: qwen2 · dense
Базовая модель: gte-Qwen2-1.5B-instruct
Опубликована: 5 июл 2024

Ссылки

Hugging Face

gte-Qwen2-1.5B-instruct-GGUF

second-state

ЭмбеддингиТекст → embedding9 профессий

gte-Qwen2-1.5B-instruct-GGUF — квантованная GGUF-версия модели Alibaba-NLP/gte-Qwen2-1.5B-instruct.

1 108скачиваний за 30 дней4лайкавеса обновлены5 июл 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

В метаданных указано, что модель создана intfloat, а квантование выполнено Second State Inc. Это модель для получения текстовых эмбеддингов, предназначенная для задач семантического сходства и других сценариев sentence-transformers, включая поиск и сопоставление текстов по смыслу.

Модель основана на Qwen2 и содержит 1,5 млрд параметров. Она работает в режиме embedding и поддерживает контекст размером до 32 000 токенов при использовании LlamaEdge версии 0.12.2 или новее. Доступны варианты GGUF с квантованием от 2 до 8 бит, а также f16, размером примерно от 752 МБ до 3,56 ГБ. Вариант Q4_K_M заявлен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с очень небольшими потерями качества.

Сильной стороной модели являются сравнительно компактные квантованные варианты и возможность локального запуска через LlamaEdge. Ограничения включают потерю качества при низкобитном квантовании; README прямо не рекомендует Q2_K, Q3 и некоторые другие варианты для большинства задач. Языки и точные характеристики архитектуры эмбеддера не указаны. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.1Универсальные способностиПоиск и навигация по информацииAI помогает находить нужные сведения и помогать человеку быстро переходить от вопроса к подтверждённому источнику.18 задач13 467моделей I.12Универсальные способностиРекомендации и персонализацияAI помогает подбирать релевантные варианты и адаптировать опыт под конкретного человека или ситуацию.15 задач7 627моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gte-Qwen2-1.5B-instruct-GGUF

Original Model

Alibaba-NLP/gte-Qwen2-1.5B-instruct

Run with LlamaEdge

LlamaEdge version: v0.12.2 and above
Prompt template
- Prompt type: embedding
Context size: 32000

Run as LlamaEdge service

wasmedge --dir .:. --nn-preload default:GGML:AUTO:gte-Qwen2-1.5B-instruct-Q5_K_M.gguf \
  llama-api-server.wasm \
  --prompt-template embedding \
  --ctx-size 32000 \
  --model-name gte-Qwen2-1.5B-instruct

Quantized GGUF Models

Name	Quant method	Bits	Size	Use case
gte-Qwen2-1.5B-instruct-Q2_K.gguf	Q2_K	2	752 MB	smallest, significant quality loss - not recommended for most purposes
gte-Qwen2-1.5B-instruct-Q3_K_L.gguf	Q3_K_L	3	980 MB	small, substantial quality loss
gte-Qwen2-1.5B-instruct-Q3_K_M.gguf	Q3_K_M	3	924 MB	very small, high quality loss
gte-Qwen2-1.5B-instruct-Q3_K_S.gguf	Q3_K_S	3	861 MB	very small, high quality loss
gte-Qwen2-1.5B-instruct-Q4_0.gguf	Q4_0	4	1.07 GB	legacy; small, very high quality loss - prefer using Q3_K_M
gte-Qwen2-1.5B-instruct-Q4_K_M.gguf	Q4_K_M	4	1.12 GB	medium, balanced quality - recommended
gte-Qwen2-1.5B-instruct-Q4_K_S.gguf	Q4_K_S	4	1.07 GB	small, greater quality loss
gte-Qwen2-1.5B-instruct-Q5_0.gguf	Q5_0	5	1.26 GB	legacy; medium, balanced quality - prefer using Q4_K_M
gte-Qwen2-1.5B-instruct-Q5_K_M.gguf	Q5_K_M	5	1.28 GB	large, very low quality loss - recommended
gte-Qwen2-1.5B-instruct-Q5_K_S.gguf	Q5_K_S	5	1.26 GB	large, low quality loss - recommended
gte-Qwen2-1.5B-instruct-Q6_K.gguf	Q6_K	6	1.46 GB	very large, extremely low quality loss
gte-Qwen2-1.5B-instruct-Q8_0.gguf	Q8_0	8	1.89 GB	very large, extremely low quality loss - not recommended
gte-Qwen2-1.5B-instruct-f16.gguf	f16	8	3.56 GB	very large, extremely low quality loss - not recommended

Quantized with llama.cpp b3259

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Класс архитектуры: Qwen2ForCausalLM
Ревизия весов: 124fbda