/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
95,6 млрд
Размер весов
192 ГБ
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
13 мая 2024

stockmark-100b

Генерация текстаТекст → текст7 профессий

Плотная языковая модель Stockmark на 95,6 млрд параметров для генерации японского и английского текста.

103скачиваний за 30 дней34лайкавеса обновлены15 мая 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

Stockmark-100b — плотная авторегрессионная языковая модель семейства Llama, разработанная компанией Stockmark Inc. и обученная с нуля на корпусе примерно из 910 млрд токенов японского и английского текста. Модель насчитывает 95,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 4096 токенов. Для обучения использовались, среди прочего, японские веб-страницы о бизнесе, патенты, Википедия и англоязычная выборка RedPajama-Data.

Модель предназначена для генерации текста на японском и английском языках, включая деловые вопросы и ответы. В README приведены результаты оценок отдельной инструкционной версии stockmark-100b-instruct-v0.1; они не характеризуют напрямую базовую модель. Указанная лицензия — MIT. Ограничение контекста составляет 4096 токенов; для диалогов и выполнения инструкций в README выделена отдельная инструкционная версия.

Сценарии применения

  • генерация японских текстов
  • генерация английских текстов
  • подготовка деловых текстов на японском
  • продолжение текста на японском и английском
  • адаптация языковой модели для последующего инструкционного дообучения

Ограничения

Контекст ограничен 4096 токенами. Результаты бенчмарков в README относятся к инструкционной версии stockmark-100b-instruct-v0.1, а не напрямую к базовой модели.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

stockmark/stockmark-100b

Stockmark-100b is a 100 billion parameter LLM pretrained from scratch based on Japanese and English corpus of about 910 billion tokens. This model is developed by Stockmark Inc.

Instruction tuned model:

This project is supported by GENIAC.

How to use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("stockmark/stockmark-100b")
model = AutoModelForCausalLM.from_pretrained("stockmark/stockmark-100b", device_map="auto", torch_dtype=torch.bfloat16)

input_ids = tokenizer("生成AIとは?", return_tensors="pt").input_ids.to(model.device)
with torch.inference_mode():
    tokens = model.generate(
        input_ids,
        max_new_tokens = 256,
        do_sample = True,
        temperature = 0.7,
        top_p = 0.95,
        repetition_penalty = 1.08
    )
    
output = tokenizer.decode(tokens[0], skip_special_tokens=True)
print(output)

Dataset (pretraining)

Stockmark-100b was trained using a total of about 910B tokens of Japanese and English text corpus.

The detail of Japanese data is summarized in the below table. The stockmark web corpus consists of web pages related to business, which are collected by Stockmark Inc.

corpustokens after preprocessing
Stockmark Web Corpus (This dataset will not be released)8.8 billion
Patent37.5 billion
Wikipedia1.5 billion
mC452.6 billion
CommonCrawl (snapshot: 2020-50 ~ 2024-10)203.7 billion

English data is sampled from RedPajama-Data.

Training

Performance

Stockmark Business Questions

Dataset: https://huggingface.co/datasets/stockmark/business-questions

modelaccuracy
stockmark-100b-instruct0.90
stockmark-13b-instruct0.80
GPT-3.5-turbo10.42

Japanese Vicuna QA Benchmark

We excluded categories that require calculation and coding, and use remaining 60 questions for evaluation.

GitHub: https://github.com/ku-nlp/ja-vicuna-qa-benchmark

modelaverage score
stockmark-100b-instruct5.97
tokyotech-llm/Swallow-70b-instruct-hf5.59
GPT-3.5 (text-davinci-003)5.08

Inference speed

modeltime [s] for genrating 100 characters in Japanese
stockmark-100b-instruct1.86
gpt-3.5-turbo2.15
gpt-4-turbo5.48
tokyotech-llm/Swallow-70b-instruct-hf2.22

For local LLMs, we measured the inference time using AWS Inferentia2.

License

MIT

Developed by

Stockmark Inc.

Footnotes

  1. 0613 ↩

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
9035053

0 моделей