/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
10,6 млрд
Размер весов
21,6 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SOLAR-10.7B-v1.0
Опубликована
18 янв 2024

KoSOLAR-10.7B-v0.2

Генерация текстаТекст → текст3 профессии

Корейская языковая модель на базе SOLAR-10.7B для генерации текста и дальнейшей адаптации к корейским задачам.

74скачиваний за 30 дней34лайкавеса обновлены31 янв 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

KoSOLAR-10.7B-v0.2 — языковая модель команды Yanolja, полученная тонкой настройкой upstage/SOLAR-10.7B-v1.0 для расширения словарного запаса и улучшения понимания корейского языка. Это плотная архитектура семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста; контекст составляет 4096 токенов.

При обучении команда добавила новые токены и дообучила их эмбеддинги, а также частично настроила lm_head, сохранив большинство параметров исходной модели. Обучение использовало корейские веб-корпуса и мультиязычные данные, поэтому модель сохраняет возможности исходной модели для других языков. Она подходит как базовая модель для корейских текстовых задач и дальнейшей специализации, но не обучена следовать инструкциям и может требовать дополнительной настройки. Лицензия — Apache-2.0.

Сценарии применения

  • генерация корейского текста
  • продолжение корейских текстовых фрагментов
  • создание базовой модели для корейского приложения
  • дальнейшая тонкая настройка на специализированных корейских данных

Ограничения

Модель не обучена следовать инструкциям, поэтому для диалоговых и прикладных сценариев может потребоваться дополнительная настройка. Для иных языков README сообщает о сохранении исходных возможностей, но не приводит их отдельную оценку.

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

KoSOLAR-10.7B-v0.2

Join Our Community on Discord!

If you're passionate about the field of Large Language Models and wish to exchange knowledge and insights, we warmly invite you to join our Discord server. It's worth noting that Korean is the primary language used in this server. The landscape of LLM is evolving rapidly, and without active sharing, our collective knowledge risks becoming outdated swiftly. Let's collaborate and drive greater impact together! Join us here: Discord Link.

Our Dedicated Team (Alphabetical Order)

ResearchEngineeringProduct ManagementUX Design
Myeongho JeongGeon KimBokyung HuhEunsue Choi
Seungduk KimRifqi Alfi
Seungtaek ChoiSanghoon Han
Suhyun Kang

About the Model

This model is a Korean vocabulary-extended version of upstage/SOLAR-10.7B-v1.0, specifically fine-tuned on various Korean web-crawled datasets available on HuggingFace. Our approach was to expand the model's understanding of Korean by pre-training the embeddings for new tokens and partially fine-tuning the lm_head embeddings for the already existing tokens while preserving the original parameters of the base model.

Technical Deep Dive

Here’s a glimpse into our technical approach:

def freeze_partial_embedding_hook(grad):
    grad[:32000] = 0
    return grad

for name, param in model.named_parameters():
    if ("lm_head" in name or "embed_tokens" in name) and "original" not in name:
        param.requires_grad = True
        if "embed_tokens" in name:
            param.register_hook(freeze_partial_embedding_hook)
    else:
        param.requires_grad = False

Our strategy involved a selective freeze of model parameters. Specifically, we kept most parameters of the base model unchanged while focusing on enhancing the Korean language capabilities. Through our experiments, we discovered:

  1. Freezing the embed_tokens layer for existing tokens is crucial to maintain overall performance.
  2. Unfreezing the lm_head layer for existing tokens actually boosts performance.

As a result, we froze the internal layers and the first 32,000 embed_tokens, directing our training efforts on a rich mix of Korean and multi-lingual corpora. This balanced approach has notably improved the model’s proficiency in Korean, without compromising its original language capabilities.

Usage and Limitations

Keep in mind that this model hasn't been fine-tuned with instruction-based training. While it excels in Korean language tasks, we advise careful consideration and further training for specific applications.

Training Details

Our model’s training was comprehensive and diverse:

  • Data Sources:

    • English to Korean paragraph pairs: 5.86%
    • Multi-lingual corpus (primarily English): 10.69%
    • Korean web content: 83.46%
  • Vocabulary Expansion: We meticulously selected 8,960 Korean tokens based on their frequency in our Korean web corpus. This process involved multiple rounds of tokenizer training, manual curation, and token frequency analysis, ensuring a rich and relevant vocabulary for our model.

    1. Initial Tokenizer Training: We trained an intermediate tokenizer on a Korean web corpus, with a vocabulary of 40,000 tokens.

    2. Extraction of New Korean Tokens: From the intermediate tokenizer, we identified all Korean tokens not present in the original SOLAR's tokenizer.

    3. Manual Tokenizer Construction: We then built the target tokenizer, focusing on these new Korean tokens.

    4. Frequency Analysis: Using the target tokenizer, we processed a 100GB Korean corpus to count each token's frequency.

    5. Refinement of Token List: We removed tokens appearing less than 6,000 times, ensuring to secure enough tokens to train models later.

    6. Inclusion of Single-Letter Characters: Counted missing Korean single-letter characters and added them to the target tokenizer that appeared more than 6,000 times.

    7. Iterative Refinement: We repeated steps 2 to 6 until there were no tokens to drop or add.

    8. Training Bias Towards New Tokens: Our training data was biased to include more texts with new tokens, for effective learning.

This rigorous approach ensured a comprehensive and contextually rich Korean vocabulary for the model.

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
ca61485

0 моделей