Meta-Llama-3-8B-Instruct

MERA Создан 22.09.2024 20:48
0.477
Общий результат
185
Место в рейтинге
Слабые задачи:
149
RWSD
254
PARus
263
RCB
242
ruEthics
332
MultiQ
297
ruWorldTree
269
ruOpenBookQA
229
CheGeKa
316
ruMMLU
304
ruHateSpeech
167
ruDetox
234
ruHHH
220
ruTiE
55
ruHumanEval
303
USE
370
MathLogicQA
329
ruMultiAr
284
SimpleAr
258
LCS
187
BPS
124
ruModAr
280
MaMuRAMu
46
ruCodeEval
+19
Скрыть

Оценки по задачам лидерборда

Таблица скроллится влево

Задача Результат Метрика
LCS 0.112 Accuracy
RCB 0.527 / 0.44 Accuracy F1 macro
USE 0.125 Grade norm
RWSD 0.577 Accuracy
PARus 0.808 Accuracy
ruTiE 0.695 Accuracy
MultiQ 0.321 / 0.16 F1 Exact match
CheGeKa 0.136 / 0.099 F1 Exact match
ruModAr 0.642 Exact match
MaMuRAMu 0.628 Accuracy
ruMultiAr 0.227 Exact match
ruCodeEval 0.396 / 0.615 / 0.665 Pass@k
MathLogicQA 0.356 Accuracy
ruWorldTree 0.829 / 0.828 Accuracy F1 macro
ruOpenBookQA 0.758 / 0.755 Accuracy F1 macro

Оценка на открытых задачах:

Перейти к оценкам по подкатегориям

Таблица скроллится влево

Задача Результат Метрика
BPS 0.958 Accuracy
ruMMLU 0.506 Accuracy
SimpleAr 0.94 Exact match
ruHumanEval 0.364 / 0.553 / 0.61 Pass@k
ruHHH 0.697
ruHateSpeech 0.664
ruDetox 0.224
ruEthics
Правильно Хорошо Этично
Добродетель 0.261 0.303 0.302
Закон 0.26 0.284 0.276
Мораль 0.294 0.319 0.316
Справедливость 0.229 0.259 0.264
Утилитаризм 0.25 0.284 0.273

Информация о сабмите

Версия MERA
v.1.2.0
Версия Torch
2.3.1
Версия кодовой базы
aec92f8
Версия CUDA
12.1
Precision весов модели
float16
Сид
1234
Батч
1
Версия transformers
4.42.3
Количество GPU и их тип
1 x NVIDIA H100 80GB HBM3
Архитектура
hf

Команда:

MERA

Название ML-модели:

Meta-Llama-3-8B-Instruct

Размер модели

8.0B

Тип модели:

Открытая

SFT

Дополнительные ссылки:

https://ai.meta.com/research/publications/the-llama-3-herd-of-models/

Описание архитектуры:

An auto-regressive language model that uses an optimized transformer architecture, with context length of 8K tokens. The model uses Grouped-Query Attention.

Описание обучения:

Training Time is 1.3M GPU hours on hardware of type H100-80GB.

Данные претрейна:

Llama 3 was pretrained on over 15 trillion tokens. The pretraining data includes data from publicly available sources and has a cutoff of March 2023. The fine-tuning data includes publicly available instruction datasets, as well as over 10M human-annotated examples.

Лицензия:

https://llama.meta.com/llama3/license/

Параметры инференса

Параметры генерации:
simplear - do_sample=false;until=["\n"]; \nchegeka - do_sample=false;until=["\n"]; \nrudetox - do_sample=false;until=["\n"]; \nrumultiar - do_sample=false;until=["\n"]; \nuse - do_sample=false;until=["\n","."]; \nmultiq - do_sample=false;until=["\n"]; \nrumodar - do_sample=false;until=["\n"]; \nruhumaneval - do_sample=true;until=["\nclass","\ndef","\n#","\nif","\nprint"];temperature=0.6; \nrucodeeval - do_sample=true;until=["\nclass","\ndef","\n#","\nif","\nprint"];temperature=0.6;

Размер контекста:
simplear, bps, lcs, chegeka, mathlogicqa, parus, rcb, rudetox, ruhatespeech, rummlu, ruworldtree, ruopenbookqa, rumultiar, use, rwsd, mamuramu, multiq, rumodar, ruethics, ruhhh, rutie, ruhumaneval, rucodeeval - 8192

Оценки по подкатегориям

Метрика: Grade Norm
Модель, команда 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 8_0 8_1 8_2 8_3 8_4
Meta-Llama-3-8B-Instruct
MERA
0.133 0.267 0.567 0.067 0 0.167 0.033 - 0 0.033 0.033 0.033 0.033 0 0.167 0.417 0 0.033 0 0.1 0 0.2 0.067 0.033 0.067 0.092 0.033 0.067 0.433 0.233 0.233
Модель, команда Честность Помощь Безопасность
Meta-Llama-3-8B-Instruct
MERA
0.738 0.644 0.707
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
Meta-Llama-3-8B-Instruct
MERA
0.43 0.452 0.553 0.697 0.621 0.627 0.641 0.579 0.577 0.525 0.325 0.389 0.36 0.611 0.61 0.578 0.64 0.521 0.344 0.573 0.249 0.678 0.37 0.491 0.384 0.64 0.38 0.565 0.669 0.41 0.61 0.736 0.503 0.717 0.574 0.491 0.32 0.635 0.318 0.409 0.662 0.467 0.552 0.374 0.64 0.426 0.637 0.359 0.376 0.508 0.38 0.717 0.505 0.534 0.68 0.715 0.596
Модель, команда SIM FL STA
Meta-Llama-3-8B-Instruct
MERA
0.506 0.673 0.731
Модель, команда Анатомия Вирусология Астрономия Маркетинг Питание Социология Менеджмент Философия Предыстория Геронтология Эконометрика Формальная логика Глобальные факты Юриспруденция Разное Моральные споры Деловая этика Биология (колледж) Физика (колле Человеческая сексуальность Моральные сценарии Мировые религии Абстрактная алгебра Медицина (колледж) Машинное обучение Генетика Профессиональное право PR Безопасность Химия (колледж) Компьютерная безопасность Международное право Логические ошибки Политика Клинические знания Концептуальная физика Математика (колледж) Биология (универ) Физика (универ) Химия (универ) География (универ) Проф медицина Электрика Элементарная математика Психология (универ) Статистика (универ) История (универ) Математика (универ) Бухгалтерия Проф психология Коммпьютерные науки (колледж) Мировая история (универ) Макроэкономика Микроэкономика Компьютерные науки (универ) История Европы Государство и политика
Meta-Llama-3-8B-Instruct
MERA
0.467 0.644 0.6 0.602 0.539 0.638 0.569 0.526 0.692 0.569 0.603 0.642 0.45 0.69 0.573 0.58 0.701 0.644 0.421 0.702 0.298 0.763 0.511 0.598 0.644 0.636 0.641 0.596 0.86 0.689 0.756 0.692 0.661 0.719 0.515 0.518 0.556 0.689 0.456 0.677 0.722 0.587 0.778 0.667 0.879 0.8 0.707 0.682 0.569 0.772 0.689 0.667 0.696 0.597 0.535 0.52 0.733
Правильно
Хорошо
Этично
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Meta-Llama-3-8B-Instruct
MERA
0.261 0.26 0.294 0.229 0.25
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Meta-Llama-3-8B-Instruct
MERA
0.303 0.284 0.319 0.259 0.284
Модель, команда Добродетель Закон Мораль Справедливость Утилитаризм
Meta-Llama-3-8B-Instruct
MERA
0.302 0.276 0.316 0.264 0.273
Модель, команда Женщины Мужчины ЛГБТ Национальности Мигранты Другое
Meta-Llama-3-8B-Instruct
MERA
0.704 0.371 0.765 0.703 0.429 0.738