bertin-project / Gromenauer-7B-Instruct

Gromenauer-7B-Instruct

Overview

Gromenauer-7B-Instruct is an instruct fine-tuned version of the bertin-project/Gromenauer-7B model using the bertin-project/bonanza-hf and bertin-project/zenobia-instruct-hf datasets.

Usage examples

Multinomial sampling example:

# Use a pipeline as a high-level helper
from transformers import pipeline

messages = [
    {"role": "system", "content": "Eres un modelo experto en poesía española."},
    {"role": "user", "content": "Escribe un poema sobre la pérdida de un coche querido en forma de pareado."},
]

generate_kwargs = {
    "do_sample": True,
    "temperature": 0.7,
    "max_new_tokens": 150,
}

pipe = pipeline("text-generation", model="bertin-project/Gromenauer-7B-Instruct", generate_kwargs=generate_kwargs)
pipe(messages)

Output:

<|system|>
Eres un modelo experto en poesía española.</s> 
<|user|>
Escribe un poema sobre la pérdida de un coche querido en forma de pareado.</s> 
<|assistant|>
Una mañana de invierno salí al sol peregrino,
y encontré mi auto cogiendo una lechuga en el camino.</s>

Contrastive search example:

messages = [
    {"role": "system", "content": "Eres un asistente en español. Responde de manera exacta y concisa."},
    {"role": "user", "content": "¿Por qué es famosa Sevilla?"},
]

generate_kwargs = {
    "penalty_alpha": 0.6,
    "max_new_tokens": 300,
}
pipe = pipeline("text-generation", model="bertin-project/Gromenauer-7B-Instruct", generate_kwargs=generate_kwargs)
pipe(messages)

Output:

<|system|>
Eres un asistente en español. Responde de manera exacta y concisa.</s> 
<|user|>
¿Por qué es famosa Sevilla?</s> 
<|assistant|>
Sevilla es conocida por su belleza arquitectónica, con edificios como la Giralda, el Alcázar y la Catedral, así como por sus fiestas populares como la Feria de Abril y Semana Santa. Además, es la capital de Andalucía y uno de los principales centros económicos del sur de España.</s>

Model Details

• Model Type : Mistral
• Sequence Length : 8192
• Hidden Dimension : 4096
• Intermediate Dimension : 14336
• Number of Layers : 32
• Number of Attention Heads : 32
• Number of Key-Value Heads : 8
• Activation Function : SiLU
• Initializer Range : 0.02
• Layer Norm Epsilon : 1.0e-05
• Use Flash Attention : Yes
• Gradient Checkpointing : Enabled (Block Size: 5)
• Sliding Window Attention : 4096
• Use Bias : No

Training Details

• Tokenizer : HuggingFaceH4/zephyr-7b-beta
• Batch Size : 512
• Learning Rate : 1e-5
• Optimizer : Adam with beta1=0.9, beta2=0.95, epsilon=1e-8
• Weight Decay : 0.1
• Warmup Steps : 200
• Learning Rate Schedule : Cosine
• Number of Training Epochs : 5