Update README.md

README.md

@@ -23,6 +23,25 @@ llama-3-8b-instruct-262k-chinese基于[Llama-3-8B-Instruct-262k](https://hugging
 ## Relate models
 - 完整模型权重：https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese
 - lora权重：https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese-lora
+
+## Features
+模型优势：
+1. 支持超长context length 262k token，适合RAG
+2. 支持中英文
+3. 支持多轮对话，代码编码、推理能力强，英文知识充分
+4. 模型推理需要显存：
+
+Quantization |	Peak Usage for Encoding 2048 Tokens |	Peak Usage for Generating 8192 Tokens
+-- | -- | --
+FP16/BF16 |	17.66GB |	22.58GB
+Int4  |		8.21GB |	13.62GB
+
+
+缺点：
+1. model size只有8B，知识类问答幻觉明显
+2. 中文知识欠缺，容易幻觉，特别是中文古文知识，属于llama类模型通病
+
+
 ## 如何使用
 
 ```python
@@ -60,8 +79,37 @@ content = outputs[0]["generated_text"][len(prompt):]
 print(content)
 ```
 
+result:
+```shell
+机器学习（Machine Learning）是一种基于计算机算法的自动数据分析技术，用于从数据中学习并预测未来的结果。它是人工智能（AI）和数据挖掘（Data Mining）的子领域，旨在通过训练和调整算法来发现数据中的模式、关系和规律。
+
+机器学习算法可以分为监督学习、无监督学习和半监督学习三类：
+
+1. 监督学习（Supervised Learning）：在这种类型的学习中，算法被提供带有标签的数据集，用于训练。算法学习如何将输入数据映射到输出数据，并在新数据上进行预测。常见的监督学习算法包括逻辑回归、决策树、支持向量机（SVM）、随机森林和神经网络。
+2. 无监督学习（Unsupervised Learning）：在这种类型的学习中，算法没有标签数据。算法学习数据中的模式、结构和关系，并可能发现新的数据集群或特征。常见的无监督学习算法包括聚类、主成分分析（PCA）、独立成分分析（ICA）和高维度数据降维。
+3. 半监督学习（Semi-supervised Learning）：在这种类型的学习中，算法被提供部分带有标签的数据集。算法学习如何将输入数据映射到输出数据，并在新数据上进行预测。半监督学习算法结合了监督学习和无监督学习的优点，常见的半监督学习算法包括自我标注（Self-Labeling）和基于图的半监督学习（Graph-based Semi-supervised Learning）。
+
+机器学习的应用广泛，包括自然语言处理、计算机视觉、推荐系统、人工智能和自动驾驶等领域。它的优势包括：
+
+1. 自动化：机器学习算法可以自动从数据中发现模式和关系，无需人为干预。
+2. 高效性：机器学习算法可以处理大量数据，并且可以在不需要人为干预的情况下进行预测。
+3. 适应性：机器学习算法可以根据数据集的变化和更新进行调整。
+4. 精准性：机器学习算法可以通过训练和测试来提高预测的准确性。
+```
+
+## train detail
+
+train loss:
+
+<img src="https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese/raw/main/train_lossv2.svg" width="600">
+
+eval loss:
+
+
+<img src="https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese/raw/main/eval_lossv2.svg" width="600">
+
 
-## About Llama-3-8B-Instruct-262k
+# About Llama-3-8B-Instruct-262k
 Gradient incorporates your data to deploy autonomous assistants that power critical operations across your business. To learn more or collaborate on a custom model.
 
 This model extends LLama-3 8B's context length from 8k to -> 160K, developed by Gradient, sponsored by compute from [Crusoe Energy](https://huggingface.co/crusoeai). It demonstrates that SOTA LLMs can learn to operate on long context with minimal training (< 200M tokens) by appropriately adjusting RoPE theta.