| | ---
|
| | datasets:
|
| | - IlyaGusev/saiga_scored
|
| | - IlyaGusev/saiga_preferences
|
| | - dichspace/darulm
|
| | language:
|
| | - zho
|
| | - eng
|
| | - fra
|
| | - spa
|
| | - por
|
| | - deu
|
| | - ita
|
| | - rus
|
| | - jpn
|
| | - kor
|
| | - vie
|
| | - tha
|
| | - ara
|
| | 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.
|
| |
|
| | 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**.
|
| |
|
| |
|
| | 
|
| |
|
| | #### 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. |
