Vikhrmodels
/

Vikhr-Gemma-2B-instruct

@@ -1,130 +0,0 @@
----
-library_name: transformers
-model_name: Vikhr-Gemma-2B-instruct
-base_model:
-- google/gemma-2-2b-it
-language:
-- ru
-license: apache-2.0
-datasets:
-- Vikhrmodels/GrandMaster-PRO-MAX
----
-# 💨 Vikhr-Gemma-2B-instruct
-#### RU
-Мощная инструктивная модель на основе Gemma 2 2B, обученная на русскоязычном датасете GrandMaster-PRO-MAX.
-#### EN
-A powerful instructive model based on Gemma 2 2B, trained on the Russian-language dataset GrandMaster-PRO-MAX.
-## GGUF
-- [Vikhrmodels/Vikhr-Gemma-2B-instruct-GGUF](https://huggingface.co/Vikhrmodels/Vikhr-Gemma-2B-instruct-GGUF)
-## Особенности:
-- 📚 Основа / Base: [gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it)
-- 🇷🇺 Специализация / Specialization: **RU**
-- 💾 Датасет / Dataset: [GrandMaster-PRO-MAX](https://huggingface.co/datasets/Vikhrmodels/GrandMaster-PRO-MAX)
-## Попробовать / Try now:
-[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1htw3x1OS73vIJrMYvdQfflGg4ASdGg9P)
-## Описание:
-#### RU
-Vikhr-Gemma-2B-instruct — это мощная и компактная языковая модель, обученная на датасете GrandMaster-PRO-MAX, специально доученная для обработки русского языка.
-#### EN
-Vikhr-Gemma-2B-instruct is a powerful and compact language model trained on the GrandMaster-PRO-MAX dataset, specifically designed for processing the Russian language.
-## Пример кода для запуска / Sample code to run:
-```python
-from transformers import AutoModelForCausalLM, AutoTokenizer
-# Загрузка модели и токенизатора
-model_name = "Vikhrmodels/Vikhr-Gemma-2B-instruct"
-model = AutoModelForCausalLM.from_pretrained(model_name)
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-# Подготовка входного текста
-input_text = "Напиши стихотворение о весне в России."
-# Токенизация и генерация текста
-input_ids = tokenizer.encode(input_text, return_tensors="pt")
-output = model.generate(input_ids, max_length=200, num_return_sequences=1, no_repeat_ngram_size=2)
-# Декодирование и вывод результата
-generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
-print(generated_text)
-```
-#### Ответ модели / Model response:
-> Весна в России – это время обновления природы, когда природа пробуждается >от зимнего сна. Вот стихотворение, отражающее эту красоту:
->
-> ---
->
-> **Весна в России**
->
-> Зимняя тишина утихла,
-> Весна в России пришла.
-> Солнце светит, словно в сказке,
-> В небесах – птицы в полете.
->
-> Снег пошел, ушел вдаль,
-> И в каждом уголке – весна.
-> Лед промерз, вода в реке –
-> Ветры вьют, и листья поют.
->
-> Цветы распустились, как будто
-> В честь весны, в честь жизни.
-> Зеленая трава, как полотно,
-> Под ногами – мягкость.
->
-> Весна в России – это чудо,
-> Счастье, что в сердце живет.
-> И каждый день – праздник,
-> Когда природа в цвету.
->
-> ---
->
-> Надеюсь, это стихотворение передало дух и красоту весны в России.
-## Метрики на ru_arena_general / Metrics on ru_arena_general
-| Model                                          | Score     | 95% CI          | Avg Tokens | Std Tokens | LC Score  |
-| ---------------------------------------------- | --------- | --------------- | ---------- | ---------- | --------- |
-| suzume-llama-3-8B-multilingual-orpo-borda-half | 90.89     | +1.1 / -1.1     | 2495.38    | 1211.62    | 55.86     |
-| mistral-nemo-instruct-2407                     | 50.53     | +2.5 / -2.2     | 403.17     | 321.53     | 50.08     |
-| sfr-iterative-dpo-llama-3-8b-r                 | 50.06     | +2.1 / -2.1     | 516.74     | 316.84     | 50.01     |
-| gpt-3.5-turbo-0125                             | 50.00     | +0.0 / -0.0     | 220.83     | 170.30     | 50.00     |
-| glm-4-9b-chat                                  | 49.75     | +1.9 / -2.3     | 568.81     | 448.76     | 49.96     |
-| c4ai-command-r-v01                             | 48.95     | +2.6 / -1.7     | 529.34     | 368.98     | 49.85     |
-| llama-3-instruct-8b-sppo-iter3                 | 47.45     | +2.0 / -2.2     | 502.27     | 304.27     | 49.63     |
-| **Vikhrmodels-vikhr-gemma-2b-it**              | **45.82** | **+2.4 / -2.0** | **722.83** | **710.71** | **49.40** |
-| suzume-llama-3-8b-multilingual                 | 45.71     | +2.4 / -1.7     | 641.18     | 858.96     | 49.38     |
-| yandex_gpt_pro                                 | 45.11     | +2.2 / -2.5     | 345.30     | 277.64     | 49.30     |
-| hermes-2-theta-llama-3-8b                      | 44.07     | +2.0 / -2.2     | 485.99     | 390.85     | 49.15     |
-| gpt-3.5-turbo-1106                             | 41.48     | +1.9 / -2.0     | 191.19     | 177.31     | 48.77     |
-| llama-3-smaug-8b                               | 40.80     | +2.1 / -1.6     | 524.02     | 480.56     | 48.68     |
-| llama-3-8b-saiga-suzume-ties                   | 39.94     | +2.0 / -1.7     | 763.27     | 699.39     | 48.55     |
-```
-@article{nikolich2024vikhr,
-  title={Vikhr: The Family of Open-Source Instruction-Tuned Large Language Models for Russian},
-  author={Aleksandr Nikolich and Konstantin Korolev and Sergey Bratchikov and Nikolay Kompanets and Artem Shelmanov},
-  journal={arXiv preprint arXiv:2405.13929},
-  year={2024},
-  url={https://arxiv.org/pdf/2405.13929}
-}
-```