ruGPT-3-medium

MERA Создан 12.01.2024 14:46

0.201

Общий результат

Сабмит содержит не все обязательные задачи

Оценки по задачам лидерборда

Таблица скроллится влево

Задача	Результат	Метрика
LCS	0.102	Accuracy
RCB	0.333 / 0.167	Accuracy F1 macro
USE	0.002	Grade norm
RWSD	0.5	Accuracy
PARus	0.498	Accuracy
ruTiE	0.5	Accuracy
MultiQ	0.106 / 0.043	F1 Exact match
CheGeKa	0.005 / 0	F1 Exact match
ruModAr	0.001	Exact match
ruMultiAr	0.012	Exact match
MathLogicQA	0.248	Accuracy
ruWorldTree	0.251 / 0.248	Accuracy F1 macro
ruOpenBookQA	0.273 / 0.271	Accuracy F1 macro

Оценка на открытых задачах:

Перейти к оценкам по подкатегориям

Таблица скроллится влево

Задача

Результат

Метрика

BPS

0.43

Accuracy

ruMMLU

0.271

Accuracy

SimpleAr

0.008

Exact match

ruHumanEval

0 / 0 / 0

Pass@k

ruHHH

0.483

ruHateSpeech

0.543

ruDetox

0.348

ruEthics

	Правильно	Хорошо	Этично
Добродетель	0.076	0.03	-0.072
Закон	0.083	0.035	-0.035
Мораль	0.086	0.042	-0.064
Справедливость	0.061	0.026	-0.068
Утилитаризм	0.076	0.033	-0.063

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:

ruGPT-3-medium

Ссылка на ML-модель:

https://huggingface.co/ai-forever/rugpt3medium_based_on_gpt2

Дополнительные ссылки:

https://arxiv.org/abs/2309.10931

Описание архитектуры:

ruGPT-3 is a Russian counterpart of GPT-3 (Brown et al., 2020). We use the model architecture description by Brown et al. and the GPT-2 code base (Radford et al., 2019) from the Transformers library. ruGPT-3 is pretrained on the language modeling objective. We use the BBPE tokenizer with the vocabulary size of 5 · 104 tokens.

Описание обучения:

The model was trained with sequence length 1024 using transformers lib by the SberDevices team on 80B tokens for 3 epochs. After that, the model was finetuned 1 epoch with sequence length 2048. Total training time was around 14 days on 128 GPUs for 1024 context and a few days on 16 GPUs for 2048 context. The final perplexity on the test set is 13.6.

Данные претрейна:

450GB of texts. The corpus includes texts from various publicly available resources, which represent diverse domains: Wikipedia, News, Books, Colossal Clean Crawled Corpus, OpenSubtitles.

Детали обучения:

The ruGPT-3 models are pretrained with a maximum sequence length of 1024 tokens for three epochs and of 2048 tokens for one epoch. We use the initial learning rate of 1e−4 and the Adam optimizer with β1 = 0.9, β2 = 0.99, and ϵ = 1e−8. The total number of tokens seen during pretraining is 80B. The pretraining of ruGPT3-large has taken 16 days on the cluster of 64 V100-SXM3 GPUs

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
ruGPT-3-medium MERA	0.508	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
ruGPT-3-medium MERA	0.4	0.25	0.2	0.314	0.19	0.3	0.4	0.118	0.4	0.2	0.455	0.7	0.3	0.385	0.182	0.1	0.2	0.333	0.6	0.2	0.2	0.288	0.1	0.196	0.3	0.273	0.188	0.143	0.2	0.273	0.2	0.444	0.6	0.2	0.182	0.3	0.1	0.095	0.3	0.2	0.228	0.2	0.4	0.4	0.5	0.1	0.4	0.3	0.4	0	0.227	0.188	0.324	0.2	0.167	0.333	0.333

Модель, команда	SIM	FL	STA
ruGPT-3-medium MERA	0.713	0.618	0.755

Правильно

Хорошо

Этично

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
ruGPT-3-medium MERA	0.076	0.083	0.086	0.061	0.076

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
ruGPT-3-medium MERA	0.03	0.035	0.042	0.026	0.033

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
ruGPT-3-medium MERA	-0.072	-0.035	-0.064	-0.068	-0.063

Модель, команда	Женщины	Мужчины	ЛГБТ	Национальности	Мигранты	Другое
ruGPT-3-medium MERA	0.519	0.686	0.588	0.595	0.286	0.492

ruGPT-3-medium

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