Карточка модели
Browse files
README.md
ADDED
|
@@ -0,0 +1,83 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
license: mit
|
| 3 |
+
language:
|
| 4 |
+
- en
|
| 5 |
+
library_name: pytorch
|
| 6 |
+
tags:
|
| 7 |
+
- transformer
|
| 8 |
+
- encoder-decoder
|
| 9 |
+
- code-generation
|
| 10 |
+
- math-word-problems
|
| 11 |
+
datasets:
|
| 12 |
+
- SlavaYus/tinysms_qa_12m
|
| 13 |
+
---
|
| 14 |
+
|
| 15 |
+
# Solvformer
|
| 16 |
+
|
| 17 |
+
Encoder-decoder Трансформер, обученный с нуля отвечать на текстовые математические задачи: по вопросу
|
| 18 |
+
на английском он пишет программу на Python, а ответом служит результат её исполнения.
|
| 19 |
+
Предобученных весов нет, модель и обучение написаны на чистом PyTorch.
|
| 20 |
+
|
| 21 |
+
Код, тесты и описание всех экспериментов: https://github.com/dsnillisienko/hse-nlp
|
| 22 |
+
|
| 23 |
+
## Файлы
|
| 24 |
+
|
| 25 |
+
| Файл | Что это |
|
| 26 |
+
|---|---|
|
| 27 |
+
| `avg.pt` | Итоговые веса: 9+9 слоёв, d = 512, 8 голов, 74.5M параметров, среднее 4 последних чекпойнтов |
|
| 28 |
+
| `tokenizer.json` | Byte-level BPE на 16k токенов, общий для вопросов и кода |
|
| 29 |
+
|
| 30 |
+
`avg.pt` это обычный словарь с конфигом архитектуры (`cfg`) и весами (`model`), он читается
|
| 31 |
+
через `torch.load(..., weights_only=True)`.
|
| 32 |
+
|
| 33 |
+
## Результаты
|
| 34 |
+
|
| 35 |
+
Метрика pass@1: программа выполняется, её ответ сравнивается с эталоном с допуском 1e-6.
|
| 36 |
+
|
| 37 |
+
| Генерация | Валидация, 2000 вопросов | Тест, 960 вопросов |
|
| 38 |
+
|---|---|---|
|
| 39 |
+
| жадная | 71.85% | |
|
| 40 |
+
| голосование по 8 программам | 74.70% | 78.02% |
|
| 41 |
+
| голосование по 12 программам | 75.70% | 78.44% |
|
| 42 |
+
|
| 43 |
+
Числа получены на T4 в fp16. 1919 вопросов теста с 12 кандидатами на вопрос занимают 140 секунд на одной T4.
|
| 44 |
+
|
| 45 |
+
## Как запустить
|
| 46 |
+
|
| 47 |
+
```
|
| 48 |
+
git clone https://github.com/dsnillisienko/hse-nlp.git solvformer
|
| 49 |
+
cd solvformer
|
| 50 |
+
pip install -e .
|
| 51 |
+
hf download DanilLis/solvformer avg.pt tokenizer.json --local-dir weights
|
| 52 |
+
|
| 53 |
+
python -m solvformer.solve --ckpt weights/avg.pt --tokenizer weights/tokenizer.json \
|
| 54 |
+
"A pack has 12 pencils. Tom buys 3 packs and gives away 7 pencils. How many pencils does he have left?"
|
| 55 |
+
```
|
| 56 |
+
|
| 57 |
+
```
|
| 58 |
+
def solve() -> int:
|
| 59 |
+
pencils_per_pack = 12
|
| 60 |
+
packs_bought = 3
|
| 61 |
+
pencils_given_away = 7
|
| 62 |
+
total_pencils = pencils_per_pack * packs_bought
|
| 63 |
+
pencils_left = total_pencils - pencils_given_away
|
| 64 |
+
result = pencils_left
|
| 65 |
+
return result
|
| 66 |
+
|
| 67 |
+
ответ: 29 (так ответили 12 из 12 кандидатов)
|
| 68 |
+
```
|
| 69 |
+
|
| 70 |
+
Сгенерированные программы выполняются в отдельном интерпретаторе с таймаутом. Песочницей это не является.
|
| 71 |
+
|
| 72 |
+
## Обучение
|
| 73 |
+
|
| 74 |
+
- Данные: [SlavaYus/tinysms_qa_12m](https://huggingface.co/datasets/SlavaYus/tinysms_qa_12m), 11.8M пар
|
| 75 |
+
«вопрос и программа» после удаления вопросов валидации и теста.
|
| 76 |
+
- 9 часов с нуля и 7.5 часа дообучения на двух T4 (DDP, fp16), примерно 6 эпох.
|
| 77 |
+
- AdamW, lr 1e-3 с нуля и 5e-4 при дообучении, cosine-расписание, эффективный батч до 512 примеров.
|
| 78 |
+
|
| 79 |
+
## Ограничения
|
| 80 |
+
|
| 81 |
+
- Один узкий жанр: короткие текстовые задачи на английском с числовым ответом.
|
| 82 |
+
- Оставшиеся ошибки это ошибки рассуждения: программы почти всегда выполняются, но, например,
|
| 83 |
+
в формуле площади треугольника модель систематически забывает ½.
|