kirv/Mistral-7b-tokens4b-v1

Модель mistralai/Mistral-7B-v0.1, обучение всех слоев с ~4млрд токенов из датасета.

130 часов 2xTesla H100.

batch_size: 20
epochs: 1
optimizer:
  _component_: torch.optim.AdamW
  lr: 5e-6
  weight_decay: 0.01
loss:
  _component_: torch.nn.CrossEntropyLoss
max_steps_per_epoch: null
gradient_accumulation_steps: 5

Размер последовательности 1024 токенов.

Loss curve

По https://github.com/NLP-Core-Team/mmlu_ru

Квантизация в 4b: accuracy_total=41.86218134391028