Create README.md

README.md

@@ -0,0 +1,69 @@
+---
+datasets:
+- IlyaGusev/saiga_scored
+- IlyaGusev/saiga_preferences
+- dichspace/darulm
+language:
+- ru
+pipeline_tag: text-generation
+---
+
+## Описание модели
+
+WORK IN PROGRESS!!!
+
+**GGUF версия.** 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).
+
+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.
+
+*Под скоростью генерации подразумевается количество русскоязычных символов/слов в секунду на одинаковых текстовых последовательностях.
+
+## Токенизация
+
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/652cedbdf120598322ae358a/O4eQEhnowETEatDPcmArB.png)
+
+
+![image/png](https://cdn-uploads.huggingface.co/production/uploads/652cedbdf120598322ae358a/oW0Q6LzD_Py3GdH0kfqu4.png)
+
+## 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 / -0.9)        | 541              |
+| vikhr-nemo-12b-instruct-r-21-09-24               | 87.3   | (+1.1 / -1.2)        | 627              |
+| gpt-4o-mini                                      | 83.9   | (+1.9 / -1.6)        | 448              |
+| **ruadapt_qwen2.5_7B_ext_u48_instruct**          | **81.9**   | **(+1.7 / -1.6)**             | **556**              |
+| gemma-2-9b-it                                    | 76.5   | (+1.1 / -1.1)        | 459              |
+| Qwen2.5-7B-Instruct                              | 76.0   |    (+1.6 / -1.8)    | 484              |
+| gemma-2-9b-it-sppo-iter3                         | 73.6   | (+2.1 / -2.2)        | 509              |
+| saiga_llama3_8b_v7                               | 67.6   | (+1.7 / -1.4)             | 503              |
+| ruadapt_qwen2.5_3B_ext_u48_instruct_v4           | 66.1   | (+2.2 / -1.9)             | 531              |
+| t-lite-instruct-0.1                              | 64.7   | (+2.3 / -2.2)        | 810              |
+
+
+#### 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.
+
+## 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.