🚀 俄语适配版Qwen2.5模型

本项目是对T-lite-it-1.0模型进行俄语适配，通过更换分词器、在俄语语料库上进行继续预训练以及应用LEP技术，提升了俄语文本的生成速度。同时，模型在多个评估指标上进行了测试。

🚀 快速开始

你可以在以下Space中尝试使用该模型（在下方参数中选择模型）： 点击尝试

✨ 主要特性

• GGUF版本：当前版本为v1，仍在开发中。
• 俄语适配：将T-lite-it-1.0模型适配到俄语，更换了分词器并进行继续预训练。
• 速度提升：使用新的分词器（通过4.8万个标记的单字分词器扩展的tiktoken cl100k），俄语文本生成速度比原始T-lite-it-1.0模型提高了60%。

📚 详细文档

数据集

• IlyaGusev/saiga_scored
• IlyaGusev/saiga_preferences
• dichspace/darulm

语言

俄语

任务类型

文本生成

基础模型

• Qwen/Qwen2.5 - 7B
• t-tech/T-lite-it-1.0

许可证

apache - 2.0

🔧 技术细节

分词器替换与训练

在模型中替换了分词器，然后在俄语语料库上进行继续预训练（Continued pretraining），之后应用了LEP（Learned Embedding Propagation）技术。

生成速度说明

这里的生成速度是指在相同文本序列上，每秒生成的俄语字符/单词数量。

📊 指标与质量评估

模型在Ru - Arena - General、MERA、llmtf_open等指标上进行了评估。

Ru - Arena - General评估结果

使用排行榜的官方代码（点击查看）进行测量，但设置repetition_penalty = 1.1。

Shlepa评估结果

MERA评估结果

llmtf_open评估结果

待补充

分词可视化

📄 引用说明

• Tikhomirov M., Chernyshov D. Facilitating Large Language Model Russian Adaptation with Learned Embedding Propagation //Journal of Language and Education. – 2024. – Т. 10. – №. 4. – С. 130 - 145.
• Tikhomirov M., Chernyshev D. Impact of Tokenization on LLaMa Russian Adaptation //2023 Ivannikov Ispras Open Conference (ISPRAS). – IEEE, 2023. – С. 163 - 168.

⚠️ 重要提示

模型的回答并不反映作者的观点，只是重复了在所有训练阶段（预训练、更换分词器、指令训练、答案质量校准）从数据中获得的知识。该模型是从第三方预训练模型获得的，预训练的控制权 不在当前作者的责任范围内。在创建此版本模型时，没有进行任何旨在改变大语言模型固有“观点”的额外操作。请谨慎使用。