初始化项目，由ModelHub XC社区提供模型

Model: yandex/YandexGPT-5-Lite-8B-pretrain
Source: Original Platform

README.md

@@ -0,0 +1,119 @@
+---
+license: other
+license_name: yandexgpt-5-lite-8b
+license_link: LICENSE
+language:
+- ru
+- en
+---
+# YandexGPT-5-Lite-Pretrain
+
+Pretrain-версия большой языковой модели YandexGPT 5 Lite на 8B параметров с длиной контекста 32k токенов. Обучение модели проходило в два этапа. 
+
+На первом этапе модель обучалась преимущественно на русскоязычных и англоязычных текстах общим объёмом 15T токенов с длиной контекста до 8k токенов. Состав датасета: 60% — веб-страницы, 15% — код, 10% — математика, остальное — другие специфичные данные, в том числе сгенерированная с помощью наших моделей синтетика и датасеты наших сервисов, например Яндекс Переводчика и база фактов Поиска.
+
+На втором этапе, который мы назвали Powerup, модель обучалась на высококачественных данных объёмом 320B токенов. Состав Powerup-датасета: 25% — веб-страницы, 19% — математика, 18% — код, 18% — образовательные данные, остальное — синтетика, датасеты сервисов и прочие качественные тексты. На этом этапе мы увеличили длину контекста до 32k токенов. 
+
+Кроме того, наш токенизатор хорошо оптимизирован для русского языка. Например, 32k токенов нашей модели в среднем соответствует 48k токенам Qwen-2.5.
+
+Более подробно — в нашей [статье на Хабре](https://habr.com/ru/companies/yandex/articles/885218/).
+
+Задавайте вопросы в discussions.
+
+## Бенчмарки
+В своей категории модель достигает паритета с мировыми SOTA по ряду ключевых бенчмарков для pretrain-моделей, а по многим другим — превосходит их:
+
+<img src="https://habrastorage.org/r/w1560/getpro/habr/upload_files/fab/0de/405/fab0de40517e1fd4efc1302eaaf325d8.png" alt="Таблица бенчмарков" width="100%"/>
+
+\* по данным репорта разработчиков модели. <br>
+BBH — 3-shot, HUMAN_EVAL и MPBB — 0-shot, все остальные бенчмарки — 5-shot. <br>
+Все замеры мы производили в HF transformers.
+
+## Как использовать
+
+Модель можно запустить через HF Transformers:
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+
+MODEL_NAME = "yandex/YandexGPT-5-Lite-8B-pretrain"
+
+tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, legacy=False)
+model = AutoModelForCausalLM.from_pretrained(
+   MODEL_NAME,
+   device_map="cuda",
+   torch_dtype="auto",
+)
+
+input_text = "Кто сказал тебе, что нет на свете настоящей,"
+input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")
+
+outputs = model.generate(**input_ids, max_new_tokens=18)
+print(tokenizer.decode(outputs[0], skip_special_tokens=True))
+```
+
+Или через vLLM:
+```python
+from vllm import LLM, SamplingParams
+
+
+MODEL_NAME = "yandex/YandexGPT-5-Lite-8B-pretrain"
+
+sampling_params = SamplingParams(
+    temperature=0.3,
+    max_tokens=18,
+)
+
+llm = LLM(
+    MODEL_NAME,
+    tensor_parallel_size=1,
+)
+input_texts = ["Кто сказал тебе, что нет на свете настоящей,"]
+outputs = llm.generate(input_texts, use_tqdm=False, sampling_params=sampling_params)
+
+for i in range(len(input_texts)):
+    print(input_texts[i] + outputs[i].outputs[0].text)
+```
+
+Для полного соответствия токенизации мы рекомендуем пользоваться оригинальным [sentencepiece](https://github.com/google/sentencepiece):
+```python
+import sentencepiece as spm
+import torch
+# git clone https://huggingface.co/yandex/YandexGPT-5-Lite-8B-pretrain
+tokenizer = spm.SentencePieceProcessor(
+    model_file="<path_to_local_repo>/tokenizer.model"
+)
+input_ids = tokenizer.encode(input_text, add_bos=True)
+input_ids = torch.Tensor([input_ids]).to(model.device).to(torch.long)
+outputs = model.generate(
+    input_ids=input_ids,
+    attention_mask=torch.ones_like(input_ids),
+    max_new_tokens=18
+)
+print(tokenizer.decode(outputs[0].tolist()))
+```
+
+## Как дообучить под свои задачи
+
+У нашей модели llama-like архитектура, это означает, что она совместима с большинством существующих фреймворков по дообучению LLM. Приведем короткий пример, как можно обучить нашу модель в torchtune:
+
+Скачиваем репозиторий:
+```bash
+tune download yandex/YandexGPT-5-Lite-8B-pretrain \
+  --output-dir YandexGPT-5-Lite-8B-pretrain
+```
+
+Смотрим список конфигов и копируем подходящий под задачу:
+```bash
+tune ls
+tune cp llama3_1/8B_lora training_config.yaml
+```
+
+Изменяем конфиг, адаптируем его под нашу модель и задачу. Например, [такой](https://huggingface.co/yandex/YandexGPT-5-Lite-8B-pretrain/discussions/1#67bc4e6472499ce2ba3659a7) вариант подойдет для lora обучения на открытом инстракт датасете `alpaca-cleaned`.
+
+Запускаем обучение:
+```bash
+tune run lora_finetune_single_device --config training_config.yaml
+```
+
+Подробности можно найти в официальной [документации](https://pytorch.org/torchtune/stable/overview.html) torchtune.