/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
11 млрд
Размер весов
11,4 ГБ
Лицензия
Apache 2.0
Архитектура
mistral · dense
Базовая модель
Bielik-11B-v2.2-Instruct
Библиотека
transformers
Опубликована
26 авг 2024

Bielik-11B-v2.2-Instruct-W8A8

Генерация текстаТекст → текст4 профессии

Польскоязычная 11-миллиардная чат-модель Bielik на архитектуре Mistral с квантизацией W8A8 для экономичного текстового инференса через vLLM.

137скачиваний за 30 дней3лайкавеса обновлены7 окт 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

Bielik-11B-v2.2-Instruct-W8A8 — польскоязычная причинная decoder-only модель генерации текста, подготовленная SpeakLeash и ACK Cyfronet AGH. Это версия Bielik-11B-v2.2-Instruct с квантизацией весов и активаций до INT8 по схеме W8A8; она рассчитана на инференс через vLLM версии 0.5.0 и выше. Модель содержит 11 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов.

Квантизация линейных слоёв уменьшает требования к видеопамяти и размер файлов примерно вдвое и может повысить пропускную способность матричных умножений. Для весов применяется статическая симметричная поканальная квантизация, для активаций — динамическая симметричная покомпонентная квантизация на каждый токен; при подготовке использованы SmoothQuant и GPTQ. Модель подходит для польскоязычного диалога и генерации текста при ограниченных ресурсах инференса.

Квантизация может снижать качество ответов и приводить к галлюцинациям. Указана лицензия Apache 2.0; README также ссылается на Terms of Use.

Сценарии применения

  • ответы на вопросы на польском языке
  • польскоязычный диалог с чат-ботом
  • генерация и продолжение текста на польском
  • развёртывание текстовой LLM при ограниченной видеопамяти

Ограничения

Квантизация может ухудшать качество ответов и увеличивать вероятность галлюцинаций. README указывает на запуск через vLLM версии 0.5.0 или выше.

Для каких профессий подходит4

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

Bielik-11B-v2.2-Instruct-W8A8

This model was obtained by quantizing the weights and activations of Bielik-11B-v.2.2-Instruct to W8A8 (INT8) data type, ready for inference with vLLM >= 0.5.0. This optimization reduces the number of bits used to represent weights and activations from 16 to 8, reducing GPU memory requirements (by approximately 50%) and increasing matrix-multiply compute throughput (by approximately 2x). Weight quantization also reduces disk size requirements by approximately 50%.

Only weights and activations of the linear operators within transformers blocks are quantized. Weights are quantized with a symmetric static per-channel scheme, where a fixed linear scaling factor is applied between INT8 and floating point representations for each output channel dimension. Activations are quantized with a symmetric dynamic per-token scheme, computing a linear scaling factor at runtime for each token between INT8 and floating point representations. Linear scaling factors are computed via by minimizing the mean squarred error (MSE). The SmoothQuant algorithm is used to alleviate outliers in the activations, whereas rhe GPTQ algorithm is applied for quantization. Both algorithms are implemented in the llm-compressor library.

DISCLAIMER: Be aware that quantised models show reduced response quality and possible hallucinations!

Use with vLLM

This model can be deployed efficiently using the vLLM backend, as shown in the example below.

from vllm import LLM, SamplingParams
from transformers import AutoTokenizer

model_id = "speakleash/Bielik-11B-v2.2-Instruct-W8A8"

sampling_params = SamplingParams(temperature=0.2, top_p=0.95, max_tokens=4096)

tokenizer = AutoTokenizer.from_pretrained(model_id)

messages = [
    {"role": "system", "content": "Jesteś pomocnym asystentem Bielik."},
    {"role": "user", "content": "Kim był Mikołaj Kopernik i z czego zasłynął?"},
]

prompts = tokenizer.apply_chat_template(messages, tokenize=False)

llm = LLM(model=model_id, max_model_len=4096)

outputs = llm.generate(prompts, sampling_params)

generated_text = outputs[0].outputs[0].text
print(generated_text)

vLLM aslo supports OpenAI-compatible serving. See the documentation for more details.

Model description:

Responsible for model quantization

  • Remigiusz KinasSpeakLeash - team leadership, conceptualizing, calibration data preparation, process creation and quantized model delivery.

Contact Us

If you have any questions or suggestions, please use the discussion tab. If you want to contact us directly, join our Discord SpeakLeash.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForCausalLM
Ревизия весов
2381e29

0 моделей