64 lines
4.0 KiB
Markdown
64 lines
4.0 KiB
Markdown
|
---
|
|||
|
|
datasets:
|
|||
|
|
- IlyaGusev/saiga_scored
|
|||
|
|
- IlyaGusev/saiga_preferences
|
|||
|
|
- dichspace/darulm
|
|||
|
|
language:
|
|||
|
|
- ru
|
|||
|
|
pipeline_tag: text-generation
|
|||
|
|
license: apache-2.0
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Описание модели
|
|||
|
|
|
|||
|
|
WORK IN PROGRESS!!! Текущая версия v1.
|
|||
|
|
|
|||
|
|
Инструктивная версия адаптированной на русский язык модели Qwen2.5-14B-Instruct-1M (1 млн. контекст, но рекомендуется, до +-260т). В модели был заменен токенизатор, затем произведено дообучение (Continued pretraining) на русскоязычном корпусе, после чего была применена техника LEP (Learned Embedding Propagation).
|
|||
|
|
|
|||
|
|
Благодаря новому токенизатору (расширенный tiktoken cl100k с помощью униграм токенизатора на 48 т. токенов) скорость генерации* русскоязычных текстов возрасла до 60% по сравнению с исходной моделью Qwen-2.5-14B-Instruct.
|
|||
|
|
|
|||
|
|
*Под скоростью генерации подразумевается количество русскоязычных символов/слов в секунду на одинаковых текстовых последовательностях.
|
|||
|
|
|
|||
|
|
## Попробовать
|
|||
|
|
|
|||
|
|
Модель можно попробовать в поднятом Space (внизу в параметрах выбор модели):
|
|||
|
|
https://huggingface.co/spaces/RefalMachine/RuadaptQwen2.5
|
|||
|
|
|
|||
|
|
## Токенизация
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
## Метрики и оценка качества
|
|||
|
|
|
|||
|
|
Модель была оценена на Ru-Arena-General, MERA, llmtf_open
|
|||
|
|
|
|||
|
|
#### Результаты на Ru-Arena-General
|
|||
|
|
|
|||
|
|
Замеры были произведены с использованием оффициального кода лидерборда (https://github.com/VikhrModels/ru_llm_arena), **но с repetition_penalty=1.1**.
|
|||
|
|
|
|||
|
|
TODO
|
|||
|
|
|
|||
|
|
#### Результаты на MERA
|
|||
|
|
|
|||
|
|
Для сабмита на MERA был подготовлен кастомный системный промпт, который смягчает недостатки оценки на кодовых задачах. Для сравнения был также сделан сабмит с этим же системным промптом оригинальной модели.
|
|||
|
|
|
|||
|
|
TODO
|
|||
|
|
|
|||
|
|
|
|||
|
|
#### Результаты на llmtf_open
|
|||
|
|
|
|||
|
|
TODO
|
|||
|
|
|
|||
|
|
## How to cite:
|
|||
|
|
|
|||
|
|
Tikhomirov M., Chernyshev D. Facilitating large language model Russian adaptation with Learned Embedding Propagation // 2024 (Preprint: https://arxiv.org/abs/2412.21140)
|
|||
|
|
|
|||
|
|
Tikhomirov M., Chernyshev D. Impact of Tokenization on LLaMa Russian Adaptation //2023 Ivannikov Ispras Open Conference (ISPRAS). – IEEE, 2023. – С. 163-168.
|
|||
|
|
|
|||
|
|
## Предупреждение
|
|||
|
|
|
|||
|
|
Ответы модели не отражают мнения авторов, а лишь повторяют знания полученные из данных на всех этапах обучения (предобучение, смена токенизатора, обучение на инструкциях, калибровка качества ответов). Модель была получена из сторонней предобученной модели, **контроль за предобучением** которой **не является ответственностью текущих авторов**. При создании данной версии модели не производилось никаких дополнительных действий, направленных на изменение заложенных в LLM "мнений". Используйте с осторожностью.
|