Cabra Qwen 14b
Esse modelo é um finetune do Qwen 1.5 14b Chat com o dataset interno Cabra 10k. Esse modelo é otimizado para português e responde em portuguese nativamente. Ele apresenta melhoria em vários benchmarks brasileiros em comparação com o modelo base.
Experimente o nosso demo aqui: CabraChat.
Conheça os nossos outros modelos Cabra.
Detalhes do Modelo
Modelo: Qwen 1.5 14b chat
Qwen1.5 é uma série de modelos de linguagem que inclui modelos de linguagem decodificadores de diferentes tamanhos de modelo. Para cada tamanho, lançamos o modelo de linguagem base e o modelo de chat alinhado. Baseia-se na arquitetura Transformer com ativação SwiGLU, viés de atenção QKV, atenção de consulta em grupo, mistura de atenção de janela deslizante e atenção completa, etc. Adicionalmente, temos um tokenizador melhorado adaptativo a múltiplas línguas naturais e códigos. Para a versão beta, temporariamente não incluímos GQA e a mistura de SWA e atenção completa.
dataset: Cabra 10k
Dataset interno para fine-tuning. Vamos lançar em breve.
Quantização / GGUF
Colocamos diversas versões (GGUF) quantanizadas no branch "quantanization".
Exemplo
<s> [INST]Quem são os jogadores brasileiros de futebol mais conhecidos, atuais e passados?? [/INST]
O Brasil tem uma rica história na produção de alguns dos maiores jogadores de futebol do mundo. Alguns dos jogadores brasileiros mais importantes atualmente e que já jogaram incluem:
Pelé - amplamente considerado um dos maiores jogadores de todos os tempos, o Pelé venceu três Copas do Mundo com o Brasil e marcou mais de 1.000 gols em sua carreira.
Ronaldo Nazário de Lima - conhecido como Ronaldo, este jogador de ataque é o segundo maior artilheiro da história da seleção brasileira e ajudou o Brasil a vencer duas Copas do Mundo.
Ronaldinho Gaúcho - um criativo meio-campista ofensivo que jogou pelo Barcelona e pela AC Milan, o Ronaldinho foi nomeado Jogador Mundial FIFA de 2004 e ajudou o Brasil a vencer a Copa do Mundo de 2002.
Neymar Jr. - um dos melhores jogadores do mundo hoje, o Neymar desempenhou um papel fundamental ao liderar o Brasil para várias vitórias em torneios principais e é conhecido por suas habilidades incríveis de drible e capacidade de marcar gols.
Esses são apenas alguns exemplos dos muitos talentosos jogadores de futebol que vieram do Brasil ao longo de sua rica história.
</s>
Paramentros de trainamento
- learning_rate: 1e-05
- train_batch_size: 4
- eval_batch_size: 4
- seed: 42
- distributed_type: multi-GPU
- num_devices: 2
- gradient_accumulation_steps: 8
- total_train_batch_size: 64
- total_eval_batch_size: 8
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: cosine
- lr_scheduler_warmup_ratio: 0.01
- num_epochs: 3
Framework
- Transformers 4.39.0.dev0
- Pytorch 2.1.2+cu118
- Datasets 2.14.6
- Tokenizers 0.15.2
Uso
O modelo é destinado, por agora, a fins de pesquisa. As áreas e tarefas de pesquisa possíveis incluem:
- Pesquisa sobre modelos gerativos.
- Investigação e compreensão das limitações e vieses de modelos gerativos.
Proibido para uso comercial. Somente Pesquisa.
Evals
Tasks | Version | Filter | n-shot | Metric | Value | Stderr |
---|---|---|---|---|---|---|
assin2_rte | 1.1 | all | 15 | f1_macro | 0.9142 | ± 0.0040 |
all | 15 | acc | 0.9142 | ± 0.0040 | ||
assin2_sts | 1.1 | all | 15 | pearson | 0.8085 | ± 0.0059 |
all | 15 | mse | 0.4023 | ± N/A | ||
bluex | 1.1 | all | 3 | acc | 0.6078 | ± 0.0105 |
exam_id__UNICAMP_2020 | 3 | acc | 0.5818 | ± 0.0385 | ||
exam_id__UNICAMP_2021_1 | 3 | acc | 0.6087 | ± 0.0416 | ||
exam_id__USP_2023 | 3 | acc | 0.6591 | ± 0.0410 | ||
exam_id__USP_2020 | 3 | acc | 0.5714 | ± 0.0381 | ||
exam_id__USP_2018 | 3 | acc | 0.5926 | ± 0.0385 | ||
exam_id__UNICAMP_2018 | 3 | acc | 0.5556 | ± 0.0390 | ||
exam_id__UNICAMP_2023 | 3 | acc | 0.6279 | ± 0.0426 | ||
exam_id__USP_2024 | 3 | acc | 0.8293 | ± 0.0339 | ||
exam_id__USP_2022 | 3 | acc | 0.5306 | ± 0.0411 | ||
exam_id__USP_2019 | 3 | acc | 0.5750 | ± 0.0452 | ||
exam_id__UNICAMP_2024 | 3 | acc | 0.6444 | ± 0.0412 | ||
exam_id__UNICAMP_2019 | 3 | acc | 0.6400 | ± 0.0392 | ||
exam_id__UNICAMP_2021_2 | 3 | acc | 0.5882 | ± 0.0397 | ||
exam_id__USP_2021 | 3 | acc | 0.5577 | ± 0.0400 | ||
exam_id__UNICAMP_2022 | 3 | acc | 0.6154 | ± 0.0450 | ||
enem | 1.1 | all | 3 | acc | 0.7516 | ± 0.0066 |
exam_id__2009 | 3 | acc | 0.7739 | ± 0.0225 | ||
exam_id__2013 | 3 | acc | 0.7407 | ± 0.0244 | ||
exam_id__2012 | 3 | acc | 0.7586 | ± 0.0230 | ||
exam_id__2023 | 3 | acc | 0.6741 | ± 0.0233 | ||
exam_id__2016 | 3 | acc | 0.7686 | ± 0.0220 | ||
exam_id__2015 | 3 | acc | 0.7731 | ± 0.0221 | ||
exam_id__2011 | 3 | acc | 0.8205 | ± 0.0205 | ||
exam_id__2010 | 3 | acc | 0.7179 | ± 0.0241 | ||
exam_id__2014 | 3 | acc | 0.7339 | ± 0.0245 | ||
exam_id__2016_2 | 3 | acc | 0.7724 | ± 0.0219 | ||
exam_id__2022 | 3 | acc | 0.7143 | ± 0.0227 | ||
exam_id__2017 | 3 | acc | 0.7845 | ± 0.0220 | ||
faquad_nli | 1.1 | all | 15 | f1_macro | 0.4605 | ± 0.0093 |
all | 15 | acc | 0.7862 | ± 0.0114 | ||
hatebr_offensive_binary | 1.0 | all | 25 | f1_macro | 0.7932 | ± 0.0077 |
all | 25 | acc | 0.7986 | ± 0.0076 | ||
oab_exams | 1.5 | all | 3 | acc | 0.4989 | ± 0.0062 |
exam_id__2012-08 | 3 | acc | 0.5250 | ± 0.0322 | ||
exam_id__2015-17 | 3 | acc | 0.6795 | ± 0.0305 | ||
exam_id__2016-21 | 3 | acc | 0.4000 | ± 0.0316 | ||
exam_id__2013-12 | 3 | acc | 0.4750 | ± 0.0323 | ||
exam_id__2010-02 | 3 | acc | 0.5300 | ± 0.0288 | ||
exam_id__2011-04 | 3 | acc | 0.4625 | ± 0.0323 | ||
exam_id__2011-05 | 3 | acc | 0.5750 | ± 0.0319 | ||
exam_id__2015-18 | 3 | acc | 0.5250 | ± 0.0322 | ||
exam_id__2012-07 | 3 | acc | 0.4750 | ± 0.0323 | ||
exam_id__2013-11 | 3 | acc | 0.4750 | ± 0.0322 | ||
exam_id__2012-09 | 3 | acc | 0.4156 | ± 0.0324 | ||
exam_id__2014-13 | 3 | acc | 0.4875 | ± 0.0323 | ||
exam_id__2015-16 | 3 | acc | 0.5500 | ± 0.0321 | ||
exam_id__2017-23 | 3 | acc | 0.3875 | ± 0.0314 | ||
exam_id__2017-24 | 3 | acc | 0.5250 | ± 0.0322 | ||
exam_id__2018-25 | 3 | acc | 0.5250 | ± 0.0323 | ||
exam_id__2012-06 | 3 | acc | 0.4125 | ± 0.0317 | ||
exam_id__2010-01 | 3 | acc | 0.3882 | ± 0.0305 | ||
exam_id__2011-03 | 3 | acc | 0.4646 | ± 0.0288 | ||
exam_id__2014-14 | 3 | acc | 0.5750 | ± 0.0319 | ||
exam_id__2016-20a | 3 | acc | 0.4875 | ± 0.0323 | ||
exam_id__2012-06a | 3 | acc | 0.5500 | ± 0.0320 | ||
exam_id__2016-20 | 3 | acc | 0.5375 | ± 0.0322 | ||
exam_id__2016-19 | 3 | acc | 0.4231 | ± 0.0322 | ||
exam_id__2013-10 | 3 | acc | 0.5125 | ± 0.0323 | ||
exam_id__2017-22 | 3 | acc | 0.5250 | ± 0.0322 | ||
exam_id__2014-15 | 3 | acc | 0.5897 | ± 0.0323 | ||
portuguese_hate_speech_binary | 1.0 | all | 25 | f1_macro | 0.7180 | ± 0.0115 |
all | 25 | acc | 0.7462 | ± 0.0106 |
Open Portuguese LLM Leaderboard Evaluation Results
Detailed results can be found here
Metric | Value |
---|---|
Average | 68.66 |
ENEM Challenge (No Images) | 75.16 |
BLUEX (No Images) | 60.78 |
OAB Exams | 49.89 |
Assin2 RTE | 91.42 |
Assin2 STS | 80.85 |
FaQuAD NLI | 46.05 |
HateBR Binary | 79.32 |
PT Hate Speech Binary | 71.80 |
tweetSentBR | 62.65 |
- Downloads last month
- 8
Model tree for botbot-ai/CabraQwen14b
Space using botbot-ai/CabraQwen14b 1
Collection including botbot-ai/CabraQwen14b
Evaluation results
- accuracy on ENEM Challenge (No Images)Open Portuguese LLM Leaderboard75.160
- accuracy on BLUEX (No Images)Open Portuguese LLM Leaderboard60.780
- accuracy on OAB ExamsOpen Portuguese LLM Leaderboard49.890
- f1-macro on Assin2 RTEtest set Open Portuguese LLM Leaderboard91.420
- pearson on Assin2 STStest set Open Portuguese LLM Leaderboard80.850
- f1-macro on FaQuAD NLItest set Open Portuguese LLM Leaderboard46.050
- f1-macro on HateBR Binarytest set Open Portuguese LLM Leaderboard79.320
- f1-macro on PT Hate Speech Binarytest set Open Portuguese LLM Leaderboard71.800
- f1-macro on tweetSentBRtest set Open Portuguese LLM Leaderboard62.650