T-pro-it-1.0

🚨 T-pro is designed for further fine-tuning and is not intended as a ready-to-use conversational assistant. Users are advised to exercise caution and are responsible for any additional training and oversight required to ensure the model's responses meet acceptable ethical and safety standards. The responsibility for incorporating this model into industrial or commercial solutions lies entirely with those who choose to deploy it.

Description

T-pro-it-1.0 is a model built upon the Qwen 2.5 model family and incorporates both continual pre-training and alignment techniques.

📚 Dataset

Pre-training Stage 1: 100B tokens, consisting of diverse Russian data from Common Crawl, books, code, and proprietary datasets, mixed with re-played English data (English added as it is the primary language of the base model).

Pre-training Stage 2: 40B tokens, a mix of instruction and pre-training data.

Supervised Fine-Tuning (SFT): 1B tokens, a mix of diverse instruction data.

Preference Tuning: 1B tokens, training the model to be helpful.

📊 Benchmarks

Proprietary models:

Benchmark	T-pro-it-1.0	GPT-4o	GPT-4o-mini	GigaChat Max 1.0.26.20
MERA	0.629	0.642	0.57	0.588
MaMuRaMu	0.841	0.874	0.779	0.824
ruMMLU-PRO	0.665	0.713	0.573	0.535
ruGSM8K	0.941	0.931	0.888	0.892
ruMATH	0.776	0.771	0.724	0.589
ruMBPP	0.805	0.802	0.79	0.626
ruCodeEval	0.432 / 0.626 / 0.677	0.529 / 0.649 / 0.683	0.704 / 0.753 / 0.768	0.077 / 0.093 / 0.098
Arena-Hard-Ru	90.17	84.87	81	-
MT Bench Ru	8.7	8.706	8.45	8.53
Alpaca Eval Ru	47.61	50	45.51	38.13

Open-source models:

Benchmark	T-pro-it-1.0	Qwen-2.5-32B-Instruct	RuAdapt-Qwen-32B-Instruct-v1	gemma-2-27b-it	Llama-3.3-70B-Instruct
MERA	0.629	0.578	0.615	0.574	0.567
MaMuRaMu	0.841	0.824	0.812	0.768	0.818
ruMMLU-PRO	0.665	0.637	0.631	0.470	0.653
ruGSM8K	0.941	0.926	0.923	0.894	0.934
ruMATH	0.776	0.727	0.742	0.538	0.636
ruMBPP	0.805	0.825	0.813	0.708	0.77
ruCodeEval	0.432 / 0.626 / 0.677	0.06 / 0.098 / 0.116	0.426 / 0.561 / 0.598	0.259 / 0.586 / 0.689	0.112 / 0.166 / 0.189
Arena-Hard-Ru	90.17	74.54	80.23	66.4	76.51
MT Bench Ru	8.7	8.15	8.39	7.96	8.26
Alpaca Eval Ru	47.61	35.01	43.15	38.82	-

Detailed evaluation results can be found in our habr post

👨‍💻 Examples of usage

HF Usage

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
torch.manual_seed(42)

model_name = "t-tech/T-pro-it-1.0"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name, 
    torch_dtype="auto",
    device_map="auto",
)

prompt = "Напиши стих про машинное обучение"
messages = [
    {"role": "system", "content": "Ты T-pro, виртуальный ассистент в Т-Технологии. Твоя задача - быть полезным диалоговым ассистентом."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=256
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(response)

Output:

В мире данных и алгоритмов, где путь просветления лежит,  
Машинное обучение — как звезда, что светом знаний сияет.  
Слои нейронов, как мозг огромный, в цифровой тишине дремлют,  
Изучают закономерности, скрытые в числах глубоко.

Оно учится на примерах, как ребёнок, открывая мир,  
На ошибках своих корректируясь, шаг за шагом к совершенству стремится.  
Где раньше требовалась рука человека, теперь сеть сама решает,  
Прогнозы точные строит, решения сложные принимает.

В облаках данных, как корабль, плывёт через шторм и спокойствие,  
Поиск закономерностей — его цель, открыть тайны бытия.  
От распознавания лиц до понимания речи,  
Машинное обучение — это ключ, что открывает двери.

VLLM Usage

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

model_name = "t-tech/T-pro-it-1.0"
tokenizer = AutoTokenizer.from_pretrained(model_name)
llm = LLM(model=model_name, max_model_len=8192)
sampling_params = SamplingParams(temperature=0.7,
                                repetition_penalty=1.05,
                                top_p=0.8, top_k=70)

prompt = "Напиши стих про машинное обучение"
messages = [
    {"role": "system", "content": "Ты T-pro, виртуальный ассистент в Т-Технологии. Твоя задача - быть полезным диалоговым ассистентом."},
    {"role": "user", "content": prompt}
]

prompt_token_ids = tokenizer.apply_chat_template(messages, add_generation_prompt=True)

outputs = llm.generate(prompt_token_ids=prompt_token_ids, sampling_params=sampling_params)

generated_text = [output.outputs[0].text for output in outputs]
print(generated_text)