| --- |
| datasets: |
| - IlyaGusev/saiga_scored |
| - IlyaGusev/saiga_preferences |
| - dichspace/darulm |
| language: |
| - ru |
| 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. |
