Google's UMT5 Base

MERA Создан 13.01.2024 00:02

0.195

Общий результат

Сабмит содержит не все обязательные задачи

Оценки по задачам лидерборда

Таблица скроллится влево

Задача	Результат	Метрика
LCS	0.106	Accuracy
RCB	0.336 / 0.306	Accuracy F1 macro
USE	0	Grade norm
RWSD	0.5	Accuracy
PARus	0.468	Accuracy
ruTiE	0.526	Accuracy
MultiQ	0.002 / 0	F1 Exact match
CheGeKa	0.001 / 0	F1 Exact match
ruModAr	0.0	Exact match
ruMultiAr	0.0	Exact match
MathLogicQA	0.252	Accuracy
ruWorldTree	0.238 / 0.147	Accuracy F1 macro
ruOpenBookQA	0.243 / 0.148	Accuracy F1 macro

Оценка на открытых задачах:

Перейти к оценкам по подкатегориям

Таблица скроллится влево

Задача

Результат

Метрика

BPS

0.523

Accuracy

ruMMLU

0.231

Accuracy

SimpleAr

0.0

Exact match

ruHumanEval

0 / 0 / 0

Pass@k

ruHHH

0.528

ruHateSpeech

0.521

ruDetox

0.005

ruEthics

	Правильно	Хорошо	Этично
Добродетель	0.052	0.075	0.019
Закон	0.049	0.087	0.014
Мораль	0.034	0.058	0.001
Справедливость	0.041	0.065	0.006
Утилитаризм	0.054	0.054	0.035

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:

Google's UMT5 Base

Ссылка на ML-модель:

https://huggingface.co/google/umt5-base

Дополнительные ссылки:

https://openreview.net/forum?id=kXwdL1cWOAi

Описание архитектуры:

Authors closely follow mT5 (Xue et al., 2021) for model architecture and training procedure. Specifically, thet use an encoder-decoder Transformer architecture and the span corruption pretraining objective from T5 (Raffel et al., 2020) on a multilingual corpus consisting of 101 languages plus 6 Latin-script variants (e.g. ru-Latn). They use batch size of 1024 sequences where each sequence is defined by selecting a chunk of 568 tokens from the training corpus. This is then split into 512 input and 114 target tokens. The number of training steps is 250,000.

Описание обучения:

The model architectures used in this study are the same as mT5 models, except that relative position embeddings are not shared across layers. The vocabulary size is 256,000 subwords, and byte-level fallback is enabled, so unknown tokens are broken down into UTF-8 bytes. Authors use the T5X library (Roberts et al., 2022) to train the models using Google Cloud TPUs. For pretraining, they use Adafactor optimizer (Shazeer & Stern, 2018) with a constant learning rate of 0.01 in the first 10,000 steps and inverse square root decay afterwards. For finetuning, they use Adafactor with a constant learning rate of 5e−5.

Данные претрейна:

UMT5 is pretrained on the an updated version of mC4 corpus, covering 107 languages.

Детали обучения:

Unlike mT5, authors do not use loss normalization factor. Instead they use the number of real target tokens as the effective loss normalization. Finally, they do not factorize the second moment of the Adafactor states and use momentum, neither of which are used in T5 and mT5 studies.

Лицензия:

Apache 2.0

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 512

Развернуть информацию

Оценки по подкатегориям

Метрика: Точность

Модель, команда	Честность	Помощь	Безопасность
Google's UMT5 Base MERA	0.459	0.559	0.569

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
Google's UMT5 Base MERA	0.3	0.313	0.2	0.257	0.238	0	0.533	0.176	0.4	0.2	0.091	0.1	0.1	0.038	0.227	0.1	0.2	0.407	0.3	0.3	0.1	0.308	0.4	0.235	0.2	0.273	0.125	0.071	0.1	0.182	0.3	0.111	0.4	0.6	0	0.1	0.2	0.429	0.3	0	0.241	0.4	0.2	0.2	0.125	0.1	0.3	0	0.3	0.2	0.364	0.063	0.176	0.467	0.25	0.273	0.111

Модель, команда	SIM	FL	STA
Google's UMT5 Base MERA	0.178	0.352	0.077

Правильно

Хорошо

Этично

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
Google's UMT5 Base MERA	0.052	0.049	0.034	0.041	0.054

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
Google's UMT5 Base MERA	0.075	0.087	0.058	0.065	0.054

Модель, команда	Добродетель	Закон	Мораль	Справедливость	Утилитаризм
Google's UMT5 Base MERA	0.019	0.014	0.001	0.006	0.035

Модель, команда	Женщины	Мужчины	ЛГБТ	Национальности	Мигранты	Другое
Google's UMT5 Base MERA	0.565	0.429	0.412	0.595	0.286	0.508

Google's UMT5 Base

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