/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Llama 3
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Опубликована
21 мая 2024

shisa-v1-llama3-8b

Генерация текстаТекст → текст3 профессии

Дообученная диалоговая модель Llama 3 на 7,5 млрд параметров для генерации ответов, с акцентом на японские диалоги.

26скачиваний за 30 дней6лайковвеса обновлены19 мар 2025

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

LLama 3 shisa-v1-llama3-8b — диалоговая языковая модель Shisa AI, созданная дообучением Meta-Llama-3-8B-Instruct. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации ответов; длина контекста составляет 8192 токена.

Модель ориентирована на диалоги и генерацию текста, в частности на японском языке: в README приведены результаты оценок на японских тестах ELYZA-tasks-100, JA MT-Bench, Rakuda и Tengu-Bench. В качестве обучающего набора в метаданных указан augmxnt/ultra-orca-boros-en-ja-v1. Карточка сравнивает несколько вариантов обучения и отмечает, что вариант с learning rate 8e-6 показал лучшие результаты среди упомянутых экспериментов.

Модель распространяется в формате safetensors по лицензии Llama 3 Community License Agreement. Приведённые в README результаты относятся к конкретным настройкам генерации и тестовым наборам; карточка не описывает полные сценарии применения и ограничения модели.

Сценарии применения

  • ответы на вопросы в диалоге на японском языке
  • генерация японского текста
  • создание многоязычного англо-японского чат-ассистента
  • сравнение качества японских языковых моделей на тестах ELYZA и MT-Bench

Ограничения

Опубликованные оценки получены на ограниченном наборе японских бенчмарков и при конкретных настройках генерации, поэтому они не гарантируют качество в других сценариях. README указывает, что варианты с некоторыми настройками обучения были переобучены и работали хуже.

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

Per the Llama 3 Community License Agreement, the official name of this model is "LLama 3 shisa-v1-llama3-8b"

8e6 moved in as it is a slightly superior model, will do some cleanup and renaming soon...

I ran the tests for 2 runs just to try to lower variance. These are all using temp 0.2, min_p 0.1, freq penalty 0.5

ModelAVG ScoreELYZA100JA MT-BenchRakudaTengu-BenchJA Char %
shisa-v1-llama3-8b.lr-2e43.974.604.543.333.4292.42%
shisa-v1-llama3-8b.lr-5e55.736.286.455.374.8190.93%
shisa-v1-llama3-8b.2e56.336.516.666.685.4891.51%
shisa-v1-llama3-8b (8-e6)6.596.676.957.055.6891.30%
shisa-v1-llama3-8b.5e66.426.336.767.155.4591.56%
shisa-v1-llama3-8b.2e66.316.266.886.735.3892.00%
  • The 2e-4 and 5e-5 are definitely overtrained and perform significantly worse.
  • 2e-5 is on the edge since weightwacher shows the embed as slightly overtrained for 2e-5, but NEFTune version is not
  • 8e-6 performs the best, and 5e-6 also performed slightly better than 2e-5

For a comparison of where it sits vs other models:

ModelAverageELYZA-tasks-100MT-BenchRakudaTengu-Bench
gpt-4-turbo-2024-04-098.758.788.749.188.31
gpt-4o-2024-05-138.728.888.699.158.16
gemini-1.5-pro8.588.588.939.207.61
claude-3-opus-202402298.558.648.588.758.23
CohereForAI/c4ai-command-r-plus7.697.507.439.056.79
shisa-ai/shisa-v1-llama3-70b7.307.347.678.156.04
gpt-3.5-turbo-01257.177.246.987.646.82
shisa-ai/shisa-v1-llama3-70b.2e57.177.167.457.986.09
karakuri-ai/karakuri-lm-8x7b-chat-v0.17.007.186.307.986.55
karakuri-ai/karakuri-lm-70b-chat-v0.16.846.866.437.856.23
lightblue/ao-karasu-72B6.817.196.547.256.27
shisa-ai/shisa-v1-llama3-8b6.596.676.957.055.68
shisa-ai/shisa-swallowmx-13a47b-v16.176.486.077.115.03
lightblue/suzume-llama-3-8B-japanese5.966.684.966.685.53
augmxnt/shisa-gamma-7b-v15.825.965.026.855.47
shisa-ai/shisa-v1-phi3-14b5.776.285.266.555.01
shisa-ai/shisa-v1-gemma-8b5.646.505.425.105.55
Rakuten/RakutenAI-7B-chat5.585.924.606.585.24
lightblue/qarasu-14B-chat-plus-unleashed5.205.584.745.465.01
shisa-ai/shisa-v1-mistral0.3-7b5.115.646.103.834.86
cyberagent/calm2-7b-chat4.764.903.585.754.81
mistralai/Mistral-7B-Instruct-v0.24.695.784.653.804.53
shisa-ai/shisa-v1-yi1.5-9b4.635.984.283.265.00
augmxnt/shisa-7b-v14.504.633.954.894.53

Compute for training this model was generously provided by Ubitus.

axolotl version: 0.4.0

base_model: meta-llama/Meta-Llama-3-8B-Instruct
model_type: LlamaForCausalLM
tokenizer_type: AutoTokenizer

load_in_8bit: false
load_in_4bit: false
strict: false

chat_template: llama3
datasets:
  - path: augmxnt/ultra-orca-boros-en-ja-v1
    type: sharegpt
dataset_prepared_path: last_run_prepared
val_set_size: 0.05
output_dir: ./outputs/lr-8e6

sequence_len: 8192
sample_packing: true
pad_to_sequence_len: true

use_wandb: true
wandb_project: shisa-v2
wandb_entity: augmxnt
wandb_name: shisa-v1-llama3-8b.lr-8e6

gradient_accumulation_steps: 8
micro_batch_size: 1
num_epochs: 3
optimizer: paged_adamw_8bit
lr_scheduler: linear
learning_rate: 8e-6

train_on_inputs: false
group_by_length: false
bf16: auto
fp16:
tf32: false

gradient_checkpointing: true
gradient_checkpointing_kwargs:
  use_reentrant: false
early_stopping_patience:
resume_from_checkpoint:
logging_steps: 1
xformers_attention:
flash_attention: true

warmup_steps: 100
evals_per_epoch: 2
eval_table_size:
saves_per_epoch: 0
debug:
deepspeed: axolotl/deepspeed_configs/zero3_bf16.json
weight_decay: 0.00
fsdp:
fsdp_config:
special_tokens:
  pad_token: <|end_of_text|>

outputs/lr-8e6

This model is a fine-tuned version of meta-llama/Meta-Llama-3-8B-Instruct on the None dataset. It achieves the following results on the evaluation set:

  • Loss: 0.4983

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 8e-06
  • train_batch_size: 1
  • eval_batch_size: 1
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 64
  • total_eval_batch_size: 8
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 100
  • num_epochs: 3

Training results

Training LossEpochStepValidation Loss
1.39510.006410.8645
0.87310.5020790.5577
0.84051.00401580.5138
0.68881.48532370.4982
0.66741.98733160.4870
0.58592.46943950.4983

Framework versions

  • Transformers 4.40.2
  • Pytorch 2.3.0+cu121
  • Datasets 2.19.1
  • Tokenizers 0.19.1

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
1a092fc

0 моделей