Views
No views yet
| Name | Quant method | Size |
|---|---|---|
| TowerInstruct-13B-v0.1-EN2ES.Q2_K.gguf | Q2_K | 4.52GB |
| TowerInstruct-13B-v0.1-EN2ES.Q3_K_S.gguf | Q3_K_S | 5.27GB |
| TowerInstruct-13B-v0.1-EN2ES.Q3_K.gguf | Q3_K | 5.9GB |
| TowerInstruct-13B-v0.1-EN2ES.Q3_K_M.gguf | Q3_K_M | 5.9GB |
| TowerInstruct-13B-v0.1-EN2ES.Q3_K_L.gguf | Q3_K_L | 6.45GB |
| TowerInstruct-13B-v0.1-EN2ES.IQ4_XS.gguf | IQ4_XS | 6.54GB |
| TowerInstruct-13B-v0.1-EN2ES.Q4_0.gguf | Q4_0 | 6.86GB |
| TowerInstruct-13B-v0.1-EN2ES.IQ4_NL.gguf | IQ4_NL | 6.9GB |
| TowerInstruct-13B-v0.1-EN2ES.Q4_K_S.gguf | Q4_K_S | 6.91GB |
| TowerInstruct-13B-v0.1-EN2ES.Q4_K.gguf | Q4_K | 7.33GB |
| TowerInstruct-13B-v0.1-EN2ES.Q4_K_M.gguf | Q4_K_M | 7.33GB |
| TowerInstruct-13B-v0.1-EN2ES.Q4_1.gguf | Q4_1 | 7.61GB |
| TowerInstruct-13B-v0.1-EN2ES.Q5_0.gguf | Q5_0 | 8.36GB |
| TowerInstruct-13B-v0.1-EN2ES.Q5_K_S.gguf | Q5_K_S | 8.36GB |
| TowerInstruct-13B-v0.1-EN2ES.Q5_K.gguf | Q5_K | 8.6GB |
| TowerInstruct-13B-v0.1-EN2ES.Q5_K_M.gguf | Q5_K_M | 8.6GB |
| TowerInstruct-13B-v0.1-EN2ES.Q5_1.gguf | Q5_1 | 9.1GB |
| TowerInstruct-13B-v0.1-EN2ES.Q6_K.gguf | Q6_K | 9.95GB |
| TowerInstruct-13B-v0.1-EN2ES.Q8_0.gguf | Q8_0 | 12.88GB |
1import torch
2from transformers import pipeline
3
4og = pipeline("text-generation", model="Unbabel/TowerInstruct-13B-v0.1", torch_dtype=torch.bfloat16, device_map=0)
5fn7 = pipeline("text-generation", model="Iker/TowerInstruct-7B-v0.2-EN2ES", torch_dtype=torch.bfloat16, device_map=1)
6fn = pipeline("text-generation", model="Iker/TowerInstruct-13B-v0.1-EN2ES", torch_dtype=torch.bfloat16, device_map=2)
7
8msg = """
9Let's use Bayes' theorem again to solve this problem:\n\nLet A represent the event that the man actually has the ability to predict dice rolls with 90% accuracy, and C represent the event of predicting correctly on the first attempt.\n\nWe want to find P(A|C), the probability that the man actually has the ability given that he predicted correctly on his first attempt.\n\nBayes' theorem states that P(A|C) = P(C|A) * P(A) / P(C)\n\nFirst, let's find P(C|A): the probability of predicting correctly on the first attempt if the man actually has the ability. Since he claims 90% accuracy, this probability is 0.9.\n\nNext, let's find P(A): the probability that someone actually has the ability to predict dice rolls with 90% accuracy. We are told this is 1%, so P(A) = 0.01.\n\nNow we need to find P(C): the overall probability of predicting correctly on the first attempt. This can be calculated as the sum of probabilities for each case: P(C) = P(C|A) * P(A) + P(C|¬A) * P(¬A), where ¬A represents not having the ability and P(¬A) = 1 - P(A) = 0.99.\n\nTo find P(C|¬A), the probability of predicting correctly on the first attempt without the ability, we use the fact that there's a 1/6 chance of guessing correctly by random chance: P(C|¬A) = 1/6.\n\nSo, P(C) = (0.9)*(0.01) + (1/6)*(0.99) = 0.009 + 0.165 = 0.174.\n\nFinally, we can calculate P(A|C) using Bayes' theorem:\n\nP(A|C) = P(C|A) * P(A) / P(C) = (0.9)*(0.01) / (0.174) ≈ 0.0517.\n\nTherefore, the probability that the man actually has the ability to predict dice rolls with 90% accuracy is approximately 5.17%.
10""".strip()
11
12messages = [
13 {"role": "user",
14 "content": f"Translate the following text from English into Spanish.\n{msg}\nSpanish:"},
15]
16
17prompt = og.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
18outputs = og(prompt, max_new_tokens=1024, do_sample=False)
19print(outputs[0]["generated_text"])
20
21prompt = fn7.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
22outputs = fn7(prompt, max_new_tokens=1024, do_sample=False)
23print(outputs[0]["generated_text"])
24
25prompt = fn.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
26outputs = fn(prompt, max_new_tokens=1024, do_sample=False)
27print(outputs[0]["generated_text"]) Воспроизвем теорему Байеса для решения этой задачи:
Предположим, что A означает событие, когда человек действительно обладает способностью предсказывать результаты броска кубика с точностью 90%, а C означает событие правильного предсказания на первой попытке.
Мы хотим найти P(A|C), вероятность того, что у человека действительно есть способность, если он правильно предсказал на первой попытке.
Теорема Байеса утверждает, что P(A|C) = P(C|A) * P(A) / P(C)
Сначала определим P(C|A): вероятность правильного предсказания на первой попытке, если у человека действительно есть способность. Поскольку он утверждает, что его точность составляет 90%, эта вероятность равна 0,9.
Далее определим P(A): вероятность того, что у кого-то действительно есть способность предсказывать результаты броска кубика с точностью 90%. Нам сказано, что она составляет 1%, поэтому P(A) = 0,01.
Теперь нам нужно найти P(C): общую вероятность правильного предсказания на первой попытке. Это можно рассчитать как сумму вероятностей для каждого случая: P(C) = P(C|A) * P(A) + P(C|¬A) * P(¬A), где ¬A означает отсутствие способности, и P(¬A) = 1 - P(A) = 0,99.
Чтобы найти P(C|¬A), вероятность правильного предсказания на первой попытке без способности, мы используем тот факт, что существует 1/6 шанс сделать правильный выбор случайно: P(C|¬A) = 1/6.
Таким образом, P(C) = (0,9)*(0,01) / (0,174) ≈ 0,009 + 0,165 = 0,174.
Наконец, мы можем рассчитать P(A|C) с помощью теоремы Байеса:
P(A|C) = P(C|A) * P(A) / P(C) = (0,9)*(0,01) / (0,174) ≈ 0,0517.
Таким образом, вероятность того, что у человека действительно есть способность предсказывать результаты броска кубика с точностью 90%, составляет примерно 5,17%.Vamos a usar de nuevo el teorema de Bayes para resolver este problema:
A representa el evento de que el hombre realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión, y C representa el evento de predecir correctamente en el primer intento.
Queremos encontrar P(A|C), la probabilidad de que el hombre realmente tenga la capacidad dado que predecía correctamente en su primer intento.
El teorema de Bayes establece que P(A|C) = P(C|A) * P(A) / P(C)
Primero, vamos a encontrar P(C|A): la probabilidad de predecir correctamente en el primer intento si el hombre realmente tiene la capacidad. Dado que afirma un 90% de precisión, esta probabilidad es 0.9.
A continuación, vamos a encontrar P(A): la probabilidad de que alguien realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión. Nos dicen que esto es del 1%, así que P(A) = 0.01.
Ahora necesitamos encontrar P(C): la probabilidad total de predecir correctamente en el primer intento. Esto se puede calcular como la suma de probabilidades para cada caso: P(C) = P(C|A) * P(A) + P(C|¬A) * P(¬A), donde ¬A representa no tener la capacidad y P(¬A) = 1 - P(A) = 0.99.
Para encontrar P(C|¬A), la probabilidad de predecir correctamente en el primer intento sin la capacidad, usamos el hecho de que hay una probabilidad del 1/6 de adivinar correctamente por azar: P(C|¬A) = 1/6.
Así, P(C) = (0.9)*(0.01) + (1/6)*(0.99) = 0.009 + 0.165 = 0.174.
Finalmente, podemos calcular P(A|C) usando el teorema de Bayes:
P(A|C) = P(C|A) * P(A) / P(C) = (0.9)*(0.01) / (0.174) ≈ 0.0517.
Por lo tanto, la probabilidad de que el hombre realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión es aproximadamente del 5.17%.Vamos a usar de nuevo el teorema de Bayes para resolver este problema:
Sea A el evento de que el hombre realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión, y C el evento de predecir correctamente en el primer intento.
Queremos encontrar P(A|C), la probabilidad de que el hombre realmente tenga la capacidad dada que predijo correctamente en su primer intento.
El teorema de Bayes establece que P(A|C) = P(C|A) * P(A) / P(C)
Primero, vamos a encontrar P(C|A): la probabilidad de predecir correctamente en el primer intento si el hombre realmente tiene la capacidad. Dado que afirma un 90% de precisión, esta probabilidad es 0.9.
A continuación, vamos a encontrar P(A): la probabilidad de que alguien realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión. Se nos dice que este es 1%, así que P(A) = 0.01.
Ahora necesitamos encontrar P(C): la probabilidad general de predecir correctamente en el primer intento. Esto puede calcularse como la suma de probabilidades para cada caso: P(C) = P(C|A) * P(A) + P(C|¬A) * P(¬A), donde ¬A representa no tener la capacidad y P(¬A) = 1 - P(A) = 0.99.
Para encontrar P(C|¬A), la probabilidad de predecir correctamente en el primer intento sin la capacidad, utilizamos el hecho de que hay una probabilidad de 1/6 de adivinar correctamente por casualidad: P(C|¬A) = 1/6.
Así que, P(C) = (0.9)*(0.01) + (1/6)*(0.99) = 0.009 + 0.165 = 0.174.
Finalmente, podemos calcular P(A|C) usando el teorema de Bayes:
P(A|C) = P(C|A) * P(A) / P(C) = (0.9)*(0.01) / (0.174) ≈ 0.0517.
Por lo tanto, la probabilidad de que el hombre realmente tenga la capacidad de predecir lanzamientos de dados con un 90% de precisión es aproximadamente 5.17%.