/ Модель

Характеристики

Контекст
131 072 токена
Параметры
14,1 млрд
Размер весов
29,5 ГБ
Лицензия
Своя лицензия
Архитектура
hyperclovax · dense
Базовая модель
HyperCLOVAX-SEED-Think-14B
Библиотека
transformers
Опубликована
4 сен 2026

HyperCLOVA-X-SEED-Think-14B-sft-71875-3000

Генерация текстаТекст → текст3 профессии

Экспериментальная корейскоязычная модель HyperCLOVA X на 14,1 млрд параметров для генерации ответов, дообученная на медицинских вопросах и ответах.

63скачиваний за 30 дней0лайковвеса обновлены4 сен 2026

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

youngseok12/HyperCLOVA-X-SEED-Think-14B-sft-71875-3000 — экспериментальная корейскоязычная плотная языковая модель на архитектуре HyperCLOVAXForCausalLM, дообученная автором на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Она содержит 14,1 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Для обучения применён LoRA-адаптер, затем объединённый с весами базовой модели; репозиторий содержит самостоятельную BF16-модель в формате safetensors и сохраняет официальный шаблон диалога HyperCLOVA X.

Модель предназначена для генерации ответов на корейском языке, в частности для контролируемых экспериментов с вопросами и ответами по медицинским знаниям. Дообучение выполнено на 3 000 примерах AI Hub 71875 по внутренней медицине, акушерству и гинекологии, педиатрии и неотложной медицине. Это не профессиональный медицинский инструмент: ответы могут содержать фактические ошибки и ошибки рассуждения. Лицензия указана как other; применяются ограничения допустимого использования HyperCLOVA X, условия источника данных AI Hub и действующее законодательство.

Сценарии применения

  • ответы на корейском языке на вопросы по медицинским знаниям
  • контролируемая оценка генерации ответов по внутренней медицине
  • эксперименты с корейскими вопросами по акушерству и гинекологии
  • эксперименты с ответами на педиатрические вопросы
  • проверка ответов на вопросы по неотложной медицине

Ограничения

Модель экспериментальная, может допускать фактические ошибки и ошибки рассуждения и не заменяет профессиональную медицинскую консультацию. Для источника данных AI Hub сохраняются применимые условия использования.

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

HyperCLOVA X SEED Think-14B — AI Hub 71875 SFT 3K

This repository contains a standalone BF16 model derived from naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. One LoRA adapter was trained on 3,000 examples from AI Hub dataset 71875 and merged into the pristine base weights.

Model details

  • Base model: naver-hyperclovax/HyperCLOVAX-SEED-Think-14B
  • Base revision: 9b74e35d4c7e4ffec489f4171273caca8948a2b9
  • Architecture: HyperCLOVAXForCausalLM
  • Weight format: BF16 safetensors, standalone merged full model
  • Chat template: official HyperCLOVA X template, preserved from the base
  • LoRA: rank 16, alpha 32, dropout 0.05, bias none
  • Target modules: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
  • Objective: assistant-token-only causal-language-model cross entropy
  • Learning rate: 5e-5
  • Scheduler: cosine, warmup ratio 0.03, weight decay 0
  • Training: 3,000 examples, 1 epoch, effective batch size 16
  • Per-device batch: 4; gradient accumulation: 4
  • Maximum sequence length: 4096; precision: BF16; packing: false
  • Seed: 42; data seed: 42
  • Public benchmark data: not used

Training data

The training data is AI Hub 71875 필수의료 의학지식 QA. The exact prepared input contained 3,000 unique rows with the following groups: 내과 865, 산부인과 865, 소아청소년과 865, 응급의학과 405. Targets use an answer-first format containing the correct choice and its text. The source file hash is ff13bf66d46102c773d28934239ec347117726c617df74b6443b0763991cfa60.

Dataset page: https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=71875

No other AI Hub dataset, v0.21 mixture, public benchmark question, benchmark answer, evaluation artifact, log, credential, or .env file is included in this repository. AI Hub source-data terms remain applicable.

Intended use and limitations

This is an experimental Korean-language fine-tuned model for research and controlled evaluation. It can produce factual or reasoning errors and is not a substitute for professional medical, legal, financial, or other advice. The HyperCLOVA X acceptable-use restrictions and all applicable laws continue to apply to this derivative model.

License and notices

The full HyperCLOVA X SEED 14B Think Model License Agreement is included in LICENSE, and the required NAVER attribution is in NOTICE. Redistribution must comply with that agreement and the AI Hub source-data terms.

Usage

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "youngseok12/HyperCLOVA-X-SEED-Think-14B-sft-71875-3000"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id, dtype=torch.bfloat16, device_map="auto"
)
messages = [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}]
inputs = tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=True, return_tensors="pt"
).to(model.device)
with torch.inference_mode():
    outputs = model.generate(**inputs, max_new_tokens=64, do_sample=False)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
HyperCLOVAXForCausalLM
Ревизия весов
0140e77

0 моделей