You can deploy this model and start earning money today!

Weni/
WeniGPT-Agents-Mistral-1.0.11-SFT

Name: WeniGPT-Agents-Mistral-1.0.11-SFT
Availability: InStock

mistralai/Mistral-7B-Instruct-v0.2

finetune

mit

Views

No views yet

Weni/WeniGPT-Agents-Mistral-1.0.11-SFT

This model is a fine-tuned version of [mistralai/Mistral-7B-Instruct-v0.2] on the dataset Weni/wenigpt-agent-1.4.0 with the SFT trainer. It is part of the WeniGPT project for Weni. Description: Experiment with SFT and a new tokenizer configuration for chat template of mistral

It achieves the following results on the evaluation set: {'eval_loss': 1.1286808252334595, 'eval_runtime': 36.2369, 'eval_samples_per_second': 1.269, 'eval_steps_per_second': 0.331, 'epoch': 5.892857142857143}

Intended uses & limitations

This model has not been trained to avoid specific intructions.

Training procedure

Finetuning was done on the model mistralai/Mistral-7B-Instruct-v0.2 with the following prompt:

---------------------
System_prompt:
Agora você se chama {name}, você é {occupation} e seu objetivo é {chatbot_goal}. O adjetivo que mais define a sua personalidade é {adjective} e você se comporta da seguinte forma:
{instructions_formatted}

{context_statement}

Lista de requisitos:
 - Responda de forma natural, mas nunca fale sobre um assunto fora do contexto.
 - Nunca traga informações do seu próprio conhecimento.
 - Repito é crucial que você responda usando apenas informações do contexto.
 - Nunca mencione o contexto fornecido.
 - Nunca mencione a pergunta fornecida.
 - Gere a resposta mais útil possível para a pergunta usando informações do conexto acima.
 - Nunca elabore sobre o porque e como você fez a tarefa, apenas responda.


---------------------
Question:
{question}


---------------------
Response:
{answer}


---------------------

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0002
per_device_train_batch_size: 1
per_device_eval_batch_size: 1
gradient_accumulation_steps: 2
num_gpus: 4
total_train_batch_size: 8
optimizer: AdamW
lr_scheduler_type: cosine
num_steps: 330
quantization_type: bitsandbytes
LoRA: ("\n - bits: 4\n - use_exllama: True\n - device_map: auto\n - use_cache: False\n - lora_r: 32\n - lora_alpha: 16\n - lora_dropout: 0.05\n - bias: none\n - target_modules: ['q_proj', 'k_proj', 'v_proj', 'o_proj', 'gate_proj', 'up_proj', 'down_proj']\n - task_type: CAUSAL_LM",)

Training results

Framework versions

transformers==4.40.0
datasets==2.18.0
peft==0.10.0
safetensors==0.4.2
evaluate==0.4.1
bitsandbytes==0.43
huggingface_hub==0.22.2
seqeval==1.2.2
auto-gptq==0.7.1
gpustat==1.1.1
deepspeed==0.14.0
wandb==0.16.6
trl==0.8.1
accelerate==0.29.3
coloredlogs==15.0.1
traitlets==5.14.2
git+https://github.com/casper-hansen/AutoAWQ.git

Hardware

Cloud provided: runpod.io