63 lines
3.6 KiB
Markdown
63 lines
3.6 KiB
Markdown
|
---
|
|||
|
|
datasets:
|
|||
|
|
- IlyaGusev/saiga_scored
|
|||
|
|
- IlyaGusev/saiga_preferences
|
|||
|
|
- dichspace/darulm
|
|||
|
|
language:
|
|||
|
|
- ru
|
|||
|
|
pipeline_tag: text-generation
|
|||
|
|
license: apache-2.0
|
|||
|
|
base_model:
|
|||
|
|
- Qwen/Qwen2.5-32B
|
|||
|
|
- t-tech/T-pro-it-1.0
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## Описание модели
|
|||
|
|
|
|||
|
|
WORK IN PROGRESS!!! Текущая версия v1.
|
|||
|
|
|
|||
|
|
GGUF версия. Адаптация модели T-pro-it-1.0 на русский язык. 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 T-pro-it-1.0.
|
|||
|
|
|
|||
|
|
*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
|
|||
|
|
|
|||
|
|
TODO
|
|||
|
|
|
|||
|
|
#### Результаты на llmtf_open
|
|||
|
|
|
|||
|
|
TODO
|
|||
|
|
|
|||
|
|
## How to cite:
|
|||
|
|
|
|||
|
|
Tikhomirov M., Chernyshov D. Facilitating Large Language Model Russian Adaptation with Learned Embedding Propagation //Journal of Language and Education. – 2024. – Т. 10. – №. 4. – С. 130-145.
|
|||
|
|
|
|||
|
|
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.
|