Характеристики

Контекст: 8 192 токена
Параметры: 1,7 млрд
Лицензия: Apache 2.0
Архитектура: mistral · dense
Базовая модель: h2o-danube2-1.8b-base
Библиотека: transformers
Опубликована: 8 июл 2024

Ссылки

danube2-1.8b-MathInstruct

Генерация текстаТекст → текст

Дообученная на MathInstruct компактная языковая модель для ответов на математические инструкции и решения задач на английском языке.

21скачиваний за 30 дней0лайковвеса обновлены10 июл 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

danube2-1.8b-MathInstruct — дообученная пользователем trollek языковая модель для решения математических задач в диалоговом формате. Модель основана на h2oai/h2o-danube2-1.8b-base и дообучена методом BAdam на датасете TIGER-Lab/MathInstruct с помощью Llama-Factory. Это плотная авторегрессионная архитектура MistralForCausalLM с 1,7 млрд параметров и контекстом до 8192 токенов.

Модель принимает текстовые инструкции и генерирует текстовые ответы; шаблон диалога использует формат ChatML. Она предназначена для математических вопросов и инструкций на английском языке. В карточке приведён результат GSM8K: exact match около 0,27 при пяти примерах в контексте. Доступна по лицензии Apache-2.0.

Сценарии применения

решение математических задач по текстовому условию
ответы на вопросы по математике в диалоге
генерация пошаговых решений арифметических задач
решение задач GSM8K

Ограничения

В карточке указан результат GSM8K около 0,27 exact match при пяти примерах; качество на других типах математических задач не описано.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

h2o-danube2 with ChatML template

This model was first fine-tuned with BAdam on TIGER-Lab/MathInstruct using LLama-Factory.

Quants

Mad props, mradermacher!

mradermacher/danube2-1.8b-MathInstruct-GGUF

Template

<|im_start|>system
You are a helpful assistant specialised in mathematics.<|im_end|>
<|im_start|>user
{{instruction}}<|im_end|>
<|im_start|>assistant
{{response}}<|im_end|>

BAdam config

### model
model_name_or_path: danube2-base-chatml

### method
stage: sft
do_train: true
finetuning_type: full
use_badam: true
badam_switch_mode: ascending
badam_switch_interval: 50
badam_verbose: 1
badam_start_block: 7
seed: 5772

### dataset
dataset: mathinstruct
template: ninja_chatml
cutoff_len: 8192
overwrite_cache: false
preprocessing_num_workers: 12

### output
output_dir: mathinstruct-chatml-badam
logging_steps: 5
save_steps: 1
save_strategy: epoch
plot_loss: true
overwrite_output_dir: false

### train
per_device_train_batch_size: 4
gradient_accumulation_steps: 4
learning_rate: 0.000005
num_train_epochs: 1
lr_scheduler_type: cosine
warmup_ratio: 0.01
pure_bf16: true
flash_attn: fa2

### eval
val_size: 0.01
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 1000

BAdam training results

Training Loss	Epoch	Step	Validation Loss
0.2748	0.0617	1000	0.2788
0.2786	0.1234	2000	0.2503
0.18	0.1850	3000	0.2144
0.2015	0.2467	4000	0.1926
0.2044	0.3084	5000	0.1777
0.142	0.3701	6000	0.1661
0.1813	0.4317	7000	0.1570
0.1413	0.4934	8000	0.1529
0.1805	0.5551	9000	0.1462
0.1431	0.6168	10000	0.1410
0.1693	0.6784	11000	0.1375
0.1291	0.7401	12000	0.1357
0.1501	0.8018	13000	0.1348
0.1521	0.8635	14000	0.1345
0.1279	0.9251	15000	0.1346
0.1351	0.9868	16000	0.1344

GSM8K results

Tasks	Version	Filter	n-shot	Metric	Value		Stderr
gsm8k	3	strict-match	5	exact_match	0.2691	±	0.0122
		flexible-extract	5	exact_match	0.2752	±	0.0123

It matches the chat trained model from h2o.

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: 26624a9