Create README.md

README.md

@@ -0,0 +1,64 @@
+---
+datasets:
+- IlyaGusev/saiga_scored
+- IlyaGusev/saiga_preferences
+- dichspace/darulm
+language:
+- ru
+pipeline_tag: text-generation
+license: apache-2.0
+---
+
+## Описание модели
+
+WORK IN PROGRESS!!! Текущая версия v1.
+
+Инструктивная версия адаптированной на русский язык модели Qwen2.5-14B. 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 Qwen-2.5-14B-Instruct.
+
+*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
+
+
+![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**.
+
+TODO
+
+#### Результаты на MERA
+
+Для сабмита на MERA был подготовлен кастомный системный промпт, который смягчает недостатки оценки на кодовых задачах. Для сравнения был также сделан сабмит с этим же системным промптом оригинальной модели.
+
+TODO
+
+
+#### Результаты на llmtf_open
+
+TODO
+
+## How to cite:
+
+Tikhomirov M., Chernyshev D. Facilitating large language model Russian adaptation with Learned Embedding Propagation // 2024 (Preprint: https://arxiv.org/abs/2412.21140)
+
+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.