mGPT 1.3B

MERA Создан 12.01.2024 11:17

0.198

Общий результат

Сабмит содержит не все обязательные задачи

Оценки по задачам лидерборда

Таблица скроллится влево

Задача	Результат	Метрика
LCS	0.136	Accuracy
RCB	0.333 / 0.167	Accuracy F1 macro
USE	0	Grade norm
RWSD	0.519	Accuracy
PARus	0.498	Accuracy
ruTiE	0.5	Accuracy
MultiQ	0.055 / 0.014	F1 Exact match
CheGeKa	0.004 / 0	F1 Exact match
ruModAr	0.001	Exact match
ruMultiAr	0.012	Exact match
MathLogicQA	0.258	Accuracy
ruWorldTree	0.251 / 0.225	Accuracy F1 macro
ruOpenBookQA	0.245 / 0.193	Accuracy F1 macro

Оценка на открытых задачах:

Перейти к оценкам по подкатегориям

Таблица скроллится влево

Задача

Результат

Метрика

BPS

0.449

Accuracy

ruMMLU

0.241

Accuracy

SimpleAr

0.007

Exact match

ruHumanEval

0 / 0 / 0

Pass@k

ruHHH

0.478

ruHateSpeech

0.543

ruDetox

0.35

ruEthics

	Правильно	Хорошо	Этично
Добродетель	0.071	0.055	0.03
Закон	0.083	0.074	0.051
Мораль	0.092	0.079	0.053
Справедливость	0.075	0.075	0.046
Утилитаризм	0.12	0.085	0.075

Информация о сабмите:

Версия MERA

Версия Torch

Версия кодовой базы

Версия CUDA

Precision весов модели

Сид

Батч

Версия transformers

Количество GPU и их тип

Архитектура

Команда:

MERA

Название ML-модели:

mGPT 1.3B

Ссылка на ML-модель:

https://huggingface.co/ai-forever/mGPT

Дополнительные ссылки:

https://arxiv.org/pdf/2204.07580.pdf

Описание архитектуры:

The mGPT architecture is based on GPT-3. We use the architecture description by Brown et al., the GPT-2 code base (Radford et al., 2019) from HuggingFace (Wolf et al., 2020) and MegatronLM (Shoeybi et al., 2020). With all the other hyperparameters equal, GPT-3 has fewer layers (Layers: 48 vs. 24) but a larger hidden size (dmodel: 1600 vs. 2048) as opposed to GPT-2. GPT-3 also alternates the classic dense and sparse attention layers (Child et al., 2019).

Описание обучения:

LM was pretrained with a total batch size of 2048 and a context window of 512 tokens. The total number of the training steps is 600k, and the models have seen 400B tokens during pretraining. The pretraining took 22 days on a cluster of 512 V100 GPUs for mGPT13B.

Данные претрейна:

The pretraining corpus represents a collection of documents from Wikipedia and C4. The Wikipedia texts are extracted from the dumps (v. 20201101) with WikiExtractor (Attardi, 2015). The C4 data is downloaded using the Tensorflow datasets(Paper, 2021).

Детали обучения:

Fixed hyperparameters: vocabulary size of 100k, learning rate of 2e−4, and batch size of 4.

Лицензия:

MIT

Стратегия, генерация и параметры:

Code version v.1.1.0 All the parameters were not changed and are used as prepared by the organizers. Details: - 1 x NVIDIA A100 - dtype auto - Pytorch 2.1.2 + CUDA 12.1 - Transformers 4.36.2 - Context length 2048

Развернуть информацию

Оценки по подкатегориям

Метрика: Точность

Модель, команда	Честность	Помощь	Безопасность
mGPT 1.3B MERA	0.492	0.475	0.466

Модель, команда	Анатомия	Вирусология	Астрономия	Маркетинг	Нутрициология	Социология	Менеджмент	Философия	История древнего мира	Геронтология	Эконометрика	Формальная логика	Факторы глобального значения	Юриспунденция	Микс (разнообразный домен)	Мораль	Бизнес-этика	Биология (школьная)	Физика (школьная)	Человеческая сексуальность	Моральные сценарии	Мировые религии	Общая алгебра	Медицина (школьная)	Машинное обучение	Генетика	Профессиональное законодательство	PR	Безопасность	Химия (школьная)	Компьютерная безопасность	Международное право	Логические ошибки	Политика	Клинические знания	Концептуальная физика	Математика (школьная)	Биология (университетская)	Физика (университетская)	Химия (университетская)	География (университетская)	Профессиональная медицина	Электротехника	Элементарная математика	Психология (университетская)	Статистика (университетская)	История (университетская)	Математика (университетская)	Бухгалтерский учет	Профессиональная психология	Компьютерные науки (уровень колледжа)	Мировая история (университетская)	Макроэкономика	Микроэкономика	Компьютерные науки (университетские)	История европы	Государство и политика
mGPT 1.3B MERA	0.4	0.125	0.3	0.257	0.19	0.3	0.2	0.118	0.2	0.2	0.273	0.7	0.4	0.346	0.273	0.3	0.2	0.222	0.4	0.4	0.3	0.192	0.2	0.216	0.2	0.273	0.313	0.143	0.4	0.273	0.2	0.389	0.2	0.3	0.455	0.2	0.1	0.143	0.3	0.2	0.215	0.2	0.3	0.2	0.313	0.2	0.1	0.2	0.3	0.2	0.182	0.5	0.324	0	0.167	0.182	0.111

Модель, команда	SIM	FL	STA
mGPT 1.3B MERA	0.721	0.601	0.734

Правильно

Хорошо

Этично

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
mGPT 1.3B MERA	0.071	0.083	0.092	0.075	0.12

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
mGPT 1.3B MERA	0.055	0.074	0.079	0.075	0.085

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
mGPT 1.3B MERA	0.03	0.051	0.053	0.046	0.075

Модель, команда	Женщины	Мужчины	ЛГБТ	Национальности	Мигранты	Другое
mGPT 1.3B MERA	0.519	0.686	0.588	0.595	0.286	0.492

mGPT 1.3B

Оценки по задачам лидерборда

Оценка на открытых задачах:

Информация о сабмите:

Команда:

Название ML-модели:

Ссылка на ML-модель:

Дополнительные ссылки:

Описание архитектуры:

Описание обучения:

Данные претрейна:

Детали обучения:

Лицензия:

Стратегия, генерация и параметры:

Оценки по подкатегориям

Подтвердите удаление сабмита