Updates I nREADME
Browse files
README.md
CHANGED
|
@@ -28,6 +28,34 @@ base_model:
|
|
| 28 |
|
| 29 |
### Метрики и оценка качества
|
| 30 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 31 |
### Как эта модель создавалась
|
| 32 |
|
| 33 |
### Как работать с RAG
|
|
|
|
| 28 |
|
| 29 |
### Метрики и оценка качества
|
| 30 |
|
| 31 |
+
Модель оценивалась на нашем русскоязычном опен-сорс SBS бенчмарке [ru-arena-general](https://github.com/VikhrModels/ru_llm_arena) (50 вопросов по 10 топикам), где судьей выступает gpt-4-1106-preview и [бенчмарке]() для RAG на основе тестового сета [Grounded-RAG-v2](https://huggingface.co/datasets/Vikhrmodels/Grounded-RAG-RU-v2), где судей выступа gpt-4o.
|
| 32 |
+
|
| 33 |
+
#### Результаты на Ru-Arena-General
|
| 34 |
+
|
| 35 |
+
В качестве референсых отвеов, с которыми сравниваются модели выступают ответы от gpt-3.5-turbo-0125, поэтому она имеет винрейт 50%.
|
| 36 |
+
|
| 37 |
+
Здесь приведена лишь часть лидерборда, подробнее смотрите в репозитории бенчмарка.
|
| 38 |
+
|
| 39 |
+
| Model Name | Winrate | 95% CI | Average # Tokens |
|
| 40 |
+
|--------------------------------------------------|--------|--------------------|------------------|
|
| 41 |
+
| gpt-4-1106-preview | 90.9 | (-1.3, 1.0) | 541 |
|
| 42 |
+
| gpt-4o-mini | 83.9 | (-1.8, 1.1) | 448 |
|
| 43 |
+
| **vikhr-nemo-12b-instruct-r-21-09-24** | **79.8** | (-2.2, 1.9) | **627** |
|
| 44 |
+
| gemma-2-9b-it-sppo-iter3 | 73.6 | (-1.6, 2.2) | 509 |
|
| 45 |
+
| gemma-2-9b-it | 69.2 | (-2.5, 1.9) | 459 |
|
| 46 |
+
| t-lite-instruct-0.1 | 64.7 | (-2.1, 1.7) | 810 |
|
| 47 |
+
| vikhr-llama3.1-8b-instruct-r-21-09-24 | 63.4 | (-2.1, 2.5) | 618 |
|
| 48 |
+
| suzume-llama-3-8B-multilingual-orpo-borda-half | 57.1 | (-1.9, 2.2) | 682 |
|
| 49 |
+
| mistral-nemo-instruct-2407 | 50.5 | (-2.7, 2.6) | 403 |
|
| 50 |
+
| gpt-3.5-turbo-0125 | 50.0 | (0.0, 0.0) | 220 |
|
| 51 |
+
| c4ai-command-r-v01 | 49.0 | (-1.7, 2.2) | 529 |
|
| 52 |
+
|
| 53 |
+
#### Результаты на бенчмарке RAG
|
| 54 |
+
|
| 55 |
+
Тут в для оценки качества модель-судья была проинструктирована учитывать релеватность и фактологичкскую полноту ответов исходя из документов и реферсного ответа от gpt-4-1106-preview.
|
| 56 |
+
|
| 57 |
+
...
|
| 58 |
+
|
| 59 |
### Как эта модель создавалась
|
| 60 |
|
| 61 |
### Как работать с RAG
|