语言:

• 英文 许可证: llama2 标签:
• 医学 数据集:
• yahma/alpaca-cleaned 基础模型: epfl-llm/meditron-7b 模型索引:
• 名称: meditron-7b-chat 结果:
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: AI2推理挑战赛(25样本) 类型: ai2_arc 配置: ARC挑战赛 拆分: 测试集 参数: 少量样本数: 25 指标:
    • 类型: 标准化准确率 值: 50.77 名称: 标准化准确率 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: HellaSwag(10样本) 类型: hellaswag 拆分: 验证集 参数: 少量样本数: 10 指标:
    • 类型: 标准化准确率 值: 75.37 名称: 标准化准确率 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: MMLU(5样本) 类型: cais/mmlu 配置: 全部 拆分: 测试集 参数: 少量样本数: 5 指标:
    • 类型: 准确率 值: 40.49 名称: 准确率 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: TruthfulQA(0样本) 类型: truthful_qa 配置: 多项选择 拆分: 验证集 参数: 少量样本数: 0 指标:
    • 类型: mc2 值: 48.56 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: Winogrande(5样本) 类型: winogrande 配置: winogrande_xl 拆分: 验证集 参数: 少量样本数: 5 指标:
    • 类型: 准确率 值: 73.16 名称: 准确率 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜
  • 任务: 类型: 文本生成 名称: 文本生成 数据集: 名称: GSM8k(5样本) 类型: gsm8k 配置: 主要 拆分: 测试集 参数: 少量样本数: 5 指标:
    • 类型: 准确率 值: 9.17 名称: 准确率 来源: 网址: https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard?query=malhajar/meditron-7b-chat 名称: 开放大语言模型排行榜

模型卡片

meditron-7b-chat是基于epfl-llm/meditron-7b使用Alpaca数据集进行SFT训练的精调版本。 该模型能够回答医学领域不同明确概念的相关信息(详见epfl-llm/meditron-7b)

模型描述

• 精调者: Mohamad Alhajar
• 支持语言(NLP): 英语
• 基础模型: epfl-llm/meditron-7b

提示模板

### 指令:

<提示语> (去掉<>)

### 响应:

快速开始指南

使用原始帖子中提供的代码示例与模型交互。

from transformers import AutoTokenizer,AutoModelForCausalLM
 
model_id = "malhajar/meditron-7b-chat"
model = AutoModelForCausalLM.from_pretrained(model_name_or_path,
                                             device_map="auto",
                                             torch_dtype=torch.float16,
                                             revision="main")

tokenizer = AutoTokenizer.from_pretrained(model_id)

question: "什么是尿道感染?"
# 生成响应
prompt = '''
### 指令:
{question} 

### 响应:'''
input_ids = tokenizer(prompt, return_tensors="pt").input_ids
output = model.generate(inputs=input_ids,max_new_tokens=512,pad_token_id=tokenizer.eos_token_id,top_k=50, do_sample=True,
        top_p=0.95)
response = tokenizer.decode(output[0])

print(response)

开放大语言模型排行榜评估结果

详细结果请查看此处