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