Create README.md
Browse files
README.md
ADDED
|
@@ -0,0 +1,63 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
---
|
| 2 |
+
datasets:
|
| 3 |
+
- IlyaGusev/saiga_scored
|
| 4 |
+
- IlyaGusev/saiga_preferences
|
| 5 |
+
- dichspace/darulm
|
| 6 |
+
language:
|
| 7 |
+
- ru
|
| 8 |
+
pipeline_tag: text-generation
|
| 9 |
+
---
|
| 10 |
+
|
| 11 |
+
## Model description
|
| 12 |
+
|
| 13 |
+
Инструктивная версия адаптированной на русский язык модели Qwen2.5-7B. 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).
|
| 14 |
+
|
| 15 |
+
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-2.5-7B-Instruct.
|
| 16 |
+
|
| 17 |
+
*Под скоростью генерации подразумевается количество русскоязычных символов/слов в секунду на одинаковых текстовых последовательностях.
|
| 18 |
+
|
| 19 |
+
## Токенизация
|
| 20 |
+
|
| 21 |
+
|
| 22 |
+
|
| 23 |
+
|
| 24 |
+
|
| 25 |
+
|
| 26 |
+
|
| 27 |
+
## Метрики и оценка качества
|
| 28 |
+
|
| 29 |
+
Модель была оценена на Ru-Arena-General, MERA, llmtf_open
|
| 30 |
+
|
| 31 |
+
#### Результаты на Ru-Arena-General
|
| 32 |
+
|
| 33 |
+
Замеры были произведены с использованием оффициального кода лидерборда (https://github.com/VikhrModels/ru_llm_arena), **но с repetition_penalty=1.1**.
|
| 34 |
+
|
| 35 |
+
Приведена лишь часть лидерборда, подробнее смотрите в репозитории бенчмарка (https://huggingface.co/spaces/Vikhrmodels/arenahardlb).
|
| 36 |
+
|
| 37 |
+
| Model Name | Winrate | 95% CI | Average # Tokens |
|
| 38 |
+
|--------------------------------------------------|--------|--------------------|------------------|
|
| 39 |
+
| gpt-4-1106-preview | 90.9 | ( +1.3 / -0.9) | 541 |
|
| 40 |
+
| vikhr-nemo-12b-instruct-r-21-09-24 | 87.3 | (+1.1 / -1.2) | 627 |
|
| 41 |
+
| gpt-4o-mini | 83.9 | (+1.9 / -1.6) | 448 |
|
| 42 |
+
| **ruadapt_qwen2.5_7B_ext_u48_instruct** | **81.9** | **(+1.7 / -1.6)** | **556** |
|
| 43 |
+
| gemma-2-9b-it | 76.5 | (+1.1 / -1.1) | 459 |
|
| 44 |
+
| Qwen2.5-7B-Instruct | 76.0 | (+1.6 / -1.8) | 484 |
|
| 45 |
+
| gemma-2-9b-it-sppo-iter3 | 73.6 | (+2.1 / -2.2) | 509 |
|
| 46 |
+
| saiga_llama3_8b_v7 | 67.6 | (+1.7 / -1.4) | 503 |
|
| 47 |
+
| **ruadapt_qwen2.5_3B_ext_u48_instruct_v4** | **66.1** | **(+2.2 / -1.9)** | **531** |
|
| 48 |
+
| t-lite-instruct-0.1 | 64.7 | (+2.3 / -2.2) | 810 |
|
| 49 |
+
|
| 50 |
+
|
| 51 |
+
#### Результаты на MERA
|
| 52 |
+
|
| 53 |
+
TODO
|
| 54 |
+
|
| 55 |
+
#### Результаты на llmtf_open
|
| 56 |
+
|
| 57 |
+
TODO
|
| 58 |
+
|
| 59 |
+
## How to cite:
|
| 60 |
+
|
| 61 |
+
Tikhomirov M., Chernyshev D. Facilitating large language model Russian adaptation with Learned Embedding Propagation // 2024 (will be soon)
|
| 62 |
+
|
| 63 |
+
Tikhomirov M., Chernyshev D. Impact of Tokenization on LLaMa Russian Adaptation //2023 Ivannikov Ispras Open Conference (ISPRAS). – IEEE, 2023. – С. 163-168.
|