/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
14,1 млрд
Размер весов
28,4 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
28 мая 2024

POLAR-14B-HES-DPO-v1.5

Генерация текстаТекст → текст3 профессии

Корейская языковая модель Plateer на 14,1 млрд параметров для генерации текста.

16скачиваний за 30 дней0лайковвеса обновлены29 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

POLAR-14B-HES-DPO-v1.5 — корейская языковая модель, разработанная лабораторией AI-Lab компании Plateer. Модель построена на архитектуре Llama и содержит 14,1 млрд параметров; она предназначена для генерации текста, в том числе на корейском языке. В качестве родительской модели указана x2bee/POLAR-14B-SON-SFT-v0.1, поэтому эта версия является результатом дальнейшего дообучения.

Модель можно использовать через Transformers для генерации текста в приложениях и экспериментах, ориентированных на корейский язык. Длина контекста составляет 4096 токенов. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает о возможных вредных стереотипах и предвзятых ответах; сведения о качестве и результатах тестирования не приведены.

Сценарии применения

  • генерация ответов на корейском языке
  • создание корейских текстов по запросу
  • подготовка черновиков на корейском языке

Ограничения

Ответы могут содержать вредные стереотипы и предвзятость. В карточке не приведены результаты тестирования модели.

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

Model Card for Model ID

Model Details

image/png

Model Description

POLAR is a Korean LLM developed by Plateer's AI-lab. It was inspired by Upstage's SOLAR. We will continue to evolve this model and hope to contribute to the Korean LLM ecosystem.

  • Developed by: AI-Lab of Plateer(Woomun Jung, Eunsoo Ha, MinYoung Joo, Seongjun Son)
  • Model type: Language model
  • Language(s) (NLP): ko
  • License: apache-2.0
  • Parent Model: x2bee/POLAR-14B-SON-SFT-v0.1

Direct Use

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("x2bee/POLAR-14B-HES-DPO-v1.5")
model = AutoModelForCausalLM.from_pretrained("x2bee/POLAR-14B-HES-DPO-v1.5")

Downstream Use [Optional]

Out-of-Scope Use

Bias, Risks, and Limitations

Significant research has explored bias and fairness issues with language models (see, e.g., Sheng et al. (2021) and Bender et al. (2021)). Predictions generated by the model may include disturbing and harmful stereotypes across protected classes; identity characteristics; and sensitive, social, and occupational groups.

Recommendations

Training Details

Training Data

More information on training data needed

Training Procedure

Preprocessing

More information needed

Speeds, Sizes, Times

More information needed

Evaluation

Testing Data, Factors & Metrics

Testing Data

More information needed

Factors

More information needed

Metrics

More information needed

Results

More information needed

Model Examination

More information needed

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: More information needed
  • Hours used: More information needed
  • Cloud Provider: More information needed
  • Compute Region: More information needed
  • Carbon Emitted: More information needed

Technical Specifications [optional]

Model Architecture and Objective

More information needed

Compute Infrastructure

More information needed

Hardware

More information needed

Software

More information needed

Citation

BibTeX:

More information needed

APA:

More information needed

Glossary [optional]

More information needed

More Information [optional]

If you would like more information about our company, please visit the link below. tech.x2bee.com

Model Card Authors [optional]

Woomun Jung, MinYoung Joo, Eunsu Ha, Seungjun Son

Model Card Contact

More information needed

How to Get Started with the Model

Use the code below to get started with the model.

More information needed

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
f0bc8e2

0 моделей