werty1248/LRCLFM2MoE-base-checkpoint-160000

Original Model: LiquidAI/LFM2-8B-A1B

Base 모델입니다.

1. REAP으로 6B-A1B로 변경
   • 사용 데이터: allenai/tulu-3-sft-personas-math
   • 다국어 능력/코딩 능력을 제거하고 나머지 능력을 남기기 위해 다양한 데이터 조합을 실험했지만, 수학 계열 데이터를 쓰는 게 제일 보존되는 평균 점수가 높았음.
2. LowRankClone으로 3B-A0.6B로 변경
   • 사용 데이터: 약 10B 토큰
     • 70% HuggingFaceTB/smollm-corpus/fineweb-edu-dedup (score 3.5 이상)
     • 25% C10X/finepdfs-edu-hq
     • 5% OpenHermes-2.5
   • 원래 논문에서는 Fineweb-edu + OpenHermes 사용

5-shot 벤치(lm-evaluation-harness, loglikelihood test)

• ARC-C, HellaSwag는 acc_norm 사용

Name	Param	Active	MMLU	GPQA_main	PIQA	ARC-C	HellaSwag
LiquidAI/LFM2-8B-A1B	8.3B	1.2B	64.84	25.89	76.44	60.75	73.34
LiquidAI/LFM2-2.6B	2.6B	2.6B	64.62	35.04	77.53	56.14	72.37
LiquidAI/LFM2-1.2B	1.2B	1.2B	55.12	30.36	73.50	56.06	63.46
LiquidAI/LFM2-700M	0.7B	0.7B	49.42	31.03	72.25	51.19	58.02
werty1248/LFM2-6B-A1B-REAP	6.3B	1.2B	56.43	32.37	71.27	52.73	65.33
werty1248/LRCLFM2MoE-base-checkpoint-160000	3.2B	0.6B	44.49	29.69	71.11	49.40	54.77

교훈: REAP는 모든 학습이 끝난 다음에 하자(distillation이 나쁘게 됨)

총 비용: 2x B200 에서 110시간 (~$600)