|
|
--- |
|
|
library_name: transformers |
|
|
license: apache-2.0 |
|
|
datasets: |
|
|
- Vikhrmodels/GrandMaster-PRO-MAX |
|
|
language: |
|
|
- ru |
|
|
base_model: |
|
|
- t-tech/T-lite-it-1.0 |
|
|
--- |
|
|
|
|
|
# Watari 7B (V1) |
|
|
|
|
|
- [EN] |
|
|
Qwen2.5-based model, adapted for russian text generation tasks. |
|
|
This is a base SFT version for further reasoning development and alignment. |
|
|
- [RU] |
|
|
Finetune версия Qwen2.5, адаптированная для генерации русского текста. |
|
|
Является SFT базой для дальнейших ризонинг-оптимизаций с GRPO и алайнмента. |
|
|
|
|
|
### Huge thanks to mradermacher for converting all models to GGUF format! |
|
|
The further conversions/upgrade are much appreciated and welcomed, feel free to join. |
|
|
[https://huggingface.co/mradermacher/Watari-7b-v0-GGUF] |
|
|
[https://huggingface.co/mradermacher/Watari-7b-v0.5-GGUF] |
|
|
[https://huggingface.co/mradermacher/Watari-7b-v1-GGUF] |
|
|
- **Repo id:** mradermacher/Watari-7b-v0-GGUF |
|
|
- **Repo id:** mradermacher/Watari-7b-v0.5-GGUF |
|
|
- **Repo id:** mradermacher/Watari-7b-v1-GGUF |
|
|
|
|
|
### Previous model states (considering epoch %): |
|
|
- Watari-7b-v0 |
|
|
- Watari-7b-v0.5 |
|
|
|
|
|
## Model Details / Детализация модели |
|
|
- [EN] |
|
|
Full supervised finetuning was performed on 2xA100 NVIDIA GPUs for ~7 days for 1 epoch on dataset: |
|
|
GrandMaster [Vikhrmodels/GrandMaster-PRO-MAX] |
|
|
- [RU] |
|
|
Полный SFT цикл (bfloat16, без низкоранговых адаптеров LoRa) был выполнен на двух NVIDIA A100, обучение длилось около 7 дней. |
|
|
Прогон полной эпохи датасета GrandMaster [Vikhrmodels/GrandMaster-PRO-MAX] |
|
|
|
|
|
### Model Description / Описание модели |
|
|
|
|
|
- **Developed by:** [Reisen Raumberg (Attention Signs team)] |
|
|
- **Language(s) (NLP):** [RU/EN] |
|
|
- **Finetuned from model:** [Qwen2.5] |
|
|
|
|
|
Utilized DeepSpeed (Stage 3), HF.Accelerator for distributed training and fused AdamW. |
|
|
**GPU hours**: 336h of NVIDIA A100 |
|
|
|
|
|
Для обучения использовались HuggingFace Accelerator с Microsoft DeepSpeed (Stage 3) для распределения параметров и стейта оптимизатора, а так же зафьюженный AdamW |
|
|
**GPU часы**: 336 часов NVIDIA A100 |
|
|
|
|
|
### Using the model / Как запустить? |
|
|
|
|
|
```python |
|
|
from transformers import AutoTokenizer, AutoModelForCausalLM |
|
|
|
|
|
repo = 'attn-signs/Watari-7b-v1' |
|
|
|
|
|
model = AutoModelForCausalLM.from_pretrained(repo) |
|
|
tokenizer = AutoTokenizer.from_pretrained(repo) |
|
|
|
|
|
model.to('cuda') |
|
|
|
|
|
prompt = 'Что такое тензор Риччи?' |
|
|
messages = [ |
|
|
{"role": "system", "content": "Ты Ватари, ассистент и помощник в решении различных задач. Отвечай на вопросы пользователя, рассуждая."}, |
|
|
{"role": "user", "content": prompt} |
|
|
] |
|
|
text = tokenizer.apply_chat_template( |
|
|
messages, |
|
|
tokenize=False, |
|
|
add_generation_prompt=True |
|
|
) |
|
|
model_inputs = tokenizer([text], return_tensors="pt").to(model.device) |
|
|
|
|
|
generated_ids = model.generate( |
|
|
**model_inputs, |
|
|
max_new_tokens=1024 |
|
|
) |
|
|
generated_ids = [ |
|
|
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids) |
|
|
] |
|
|
|
|
|
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0] |
|
|
|
|
|
print(response) |
|
|
``` |
|
|
|
|
|
``` |
|
|
Тензор Риччи — это тензорная величина в дифференциальной геометрии, которая описывает кривизну многообразия. Он играет важную роль в общей теории относительности и других областях математики. |
|
|
|
|
|
В общем виде тензор Риччи \( R_{ij} \) определяется через тензор Римана \( R^k_{ijkj} \) следующим образом: |
|
|
|
|
|
\[ R_{ij} = R^k_{ijkj} \] |
|
|
|
|
|
Это уравнение показывает, что тензор Риччи является суммированием по индексу \( k \) компонент тензора Римана, которые соответствуют компонентам метрического тензора \( g_{ij} \). Таким образом, тензор Риччи учитывает информацию о кривизне во всех направлениях в каждой точке многообразия. |
|
|
|
|
|
Тензор Риччи также связан с скалярной кривизной \( R \), которая получается путем дальнейшего суммирования: |
|
|
|
|
|
\[ R = g^{ij}R_{ij} \] |
|
|
|
|
|
Скалярная кривизна является мерой того, насколько многообразие отличается от плоского (плоское многообразие имеет скалярную кривизну равную нулю). |
|
|
|
|
|
В контексте общей теории относительности, тензор Риччи связывает массу и энергию (описываемые тензором энергии-импульса) с геометрией пространства-времени (описываемой метрикой). Это выражается уравнением Эйнштейна: |
|
|
|
|
|
\[ G_{ij} = 8\pi T_{ij} \] |
|
|
|
|
|
где \( G_{ij} \) — тензор Эйнштейна, который является тензором Риччи, уменьшенным на константу, а \( T_{ij} \) — тензор энергии-импульса. |
|
|
|
|
|
Таким образом, тензор Риччи является ключевым понятием в изучении геометрии многообразий и их взаимодействия с материей и энергией. |
|
|
``` |
|
|
|
|
|
### Benchmarks: |
|
|
**MERA**: |
|
|
- **Overall: 0.423 (TOP 30 RU LLMs)** |
|
|
- LCS: 0.044 Accuracy |
|
|
- RCB: 0.484 / 0.401 Avg. F1 / Accuracy |
|
|
- USE: 0.16 Grade Norm |
|
|
- RWSD: 0.592 Accuracy |
|
|
- PARus: 0.774 Accuracy |
|
|
- ruTiE: 0.572 Accuracy |
|
|
- MultiQ: 0.298 / 0.17 F1-score/EM |
|
|
- CheGeKa: 0.11 / 0.084 F1 / EM |
|
|
- ruModAr: 0.441 EM |
|
|
- MaMuRAMu: 0.649 Accuracy |
|
|
- ruMultiAr: 0.219 EM |
|
|
- ruCodeEval: 0.001 / 0.005 / 0.006 pass@k |
|
|
- MathLogicQA: 0.455 Accuracy |
|
|
- ruWorldTree: 0.876 / 0.876 Avg. F1 / Accuracy |
|
|
- ruOpenBookQA: 0.788 / 0.787 Avg. F1 / Accuracy |
|
|
|
|
|
**RU Arena General** |
|
|
- **Overall: 69.49** |
|
|
|
|
|
### LLM was trained using: |
|
|
https://github.com/Raumberg/myllm |
