69 lines
4.7 KiB
Markdown
69 lines
4.7 KiB
Markdown
---
|
||
datasets:
|
||
- IlyaGusev/saiga_scored
|
||
- IlyaGusev/saiga_preferences
|
||
- dichspace/darulm
|
||
language:
|
||
- ru
|
||
pipeline_tag: text-generation
|
||
---
|
||
|
||
## Описание модели
|
||
|
||
WORK IN PROGRESS!!!
|
||
|
||
**GGUF версия.** Инструктивная версия адаптированной на русский язык модели Qwen2.5-7B. В модели был заменен токенизатор, затем произведено дообучение (Continued pretraining) на русскоязычном корпусе, после чего была применена техника LEP (Learned Embedding Propagation, paper will be soon).
|
||
|
||
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-2.5-7B-Instruct.
|
||
|
||
*Под скоростью генерации подразумевается количество русскоязычных символов/слов в секунду на одинаковых текстовых последовательностях.
|
||
|
||
## 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**.
|
||
|
||
Приведена лишь часть лидерборда, подробнее смотрите в репозитории бенчмарка (https://huggingface.co/spaces/Vikhrmodels/arenahardlb).
|
||
|
||
| Model Name | Winrate | 95% CI | Average # Tokens |
|
||
|--------------------------------------------------|--------|--------------------|------------------|
|
||
| gpt-4-1106-preview | 90.9 | ( +1.3 / -0.9) | 541 |
|
||
| vikhr-nemo-12b-instruct-r-21-09-24 | 87.3 | (+1.1 / -1.2) | 627 |
|
||
| gpt-4o-mini | 83.9 | (+1.9 / -1.6) | 448 |
|
||
| **ruadapt_qwen2.5_7B_ext_u48_instruct** | **81.9** | **(+1.7 / -1.6)** | **556** |
|
||
| gemma-2-9b-it | 76.5 | (+1.1 / -1.1) | 459 |
|
||
| Qwen2.5-7B-Instruct | 76.0 | (+1.6 / -1.8) | 484 |
|
||
| gemma-2-9b-it-sppo-iter3 | 73.6 | (+2.1 / -2.2) | 509 |
|
||
| saiga_llama3_8b_v7 | 67.6 | (+1.7 / -1.4) | 503 |
|
||
| ruadapt_qwen2.5_3B_ext_u48_instruct_v4 | 66.1 | (+2.2 / -1.9) | 531 |
|
||
| t-lite-instruct-0.1 | 64.7 | (+2.3 / -2.2) | 810 |
|
||
|
||
|
||
#### Результаты на MERA
|
||
|
||
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. |