|
--- |
|
datasets: |
|
- IlyaGusev/saiga_scored |
|
- IlyaGusev/saiga_preferences |
|
- dichspace/darulm |
|
language: |
|
- ru |
|
pipeline_tag: text-generation |
|
base_model: |
|
- RefalMachine/ruadapt_qwen2.5_3B_ext_u48_full_lr5e4_peft_mlp_32_32_bs256 |
|
--- |
|
|
|
## Model description |
|
|
|
Инструктивная версия адаптированного на русский язык Qwen2.5-3B (RefalMachine/ruadapt_qwen2.5_3B_ext_u48_full_lr5e4_peft_mlp_32_32_bs256). 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-2.5-3B-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, 1.0) | 541 | |
|
| gpt-4o-mini | 83.9 | (-1.8, 1.1) | 448 | |
|
| vikhr-nemo-12b-instruct-r-21-09-24 | 79.8 | (-2.2, 1.9) | 627 | |
|
| gemma-2-9b-it-sppo-iter3 | 73.6 | (-1.6, 2.2) | 509 | |
|
| gemma-2-9b-it | 69.2 | (-2.5, 1.9) | 459 | |
|
| saiga_llama3_8b_v7 | 67.6 | (?, ?) | 503 | |
|
| **ruadapt_qwen2.5_3B_ext_u48_instruct_v4** | **66.1** | **(?, ?)** | **531** | |
|
| t-lite-instruct-0.1 | 64.7 | (-2.1, 1.7) | 810 | |
|
| vikhr-llama3.1-8b-instruct-r-21-09-24 | 63.4 | (-2.1, 2.5) | 618 | |
|
| suzume-llama-3-8B-multilingual-orpo-borda-half | 57.1 | (-1.9, 2.2) | 682 | |
|
| mistral-nemo-instruct-2407 | 50.5 | (-2.7, 2.6) | 403 | |
|
| gpt-3.5-turbo-0125 | 50.0 | (0.0, 0.0) | 220 | |
|
| c4ai-command-r-v01 | 49.0 | (-1.7, 2.2) | 529 | |
|
| meta-llama-3.1-8b-instruct | 43.1 | (-2.8, 2.3) | 628 | |
|
|
|
#### 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 (will be soon) |
|
|
|
Tikhomirov M., Chernyshev D. Impact of Tokenization on LLaMa Russian Adaptation //2023 Ivannikov Ispras Open Conference (ISPRAS). – IEEE, 2023. – С. 163-168. |
