मिस्ट्रल स्मॉल, जेम्मा 2, क्वेन 2.5, मिस्ट्रल नेमो, एलएलएम3 और फ़ी - एलईएम परीक्षण

एलएलएम परीक्षणों का अगला चरण

Page content

कुछ समय पहले जारी किया गया था। चलिए अपडेट करते हैं और
मिस्ट्रल स्मॉल के प्रदर्शन की तुलना करके टेस्ट करें।

पहले हमने किया था:

कार तेज चल रही है

हम कैसे परीक्षण करते हैं

यहां हम LLMs की सारांशीकरण क्षमताओं का परीक्षण करते हैं:

  • हमारे पास 40 नमूना पाठ हैं, और हम LLM के साथ प्रश्न और सारांशीकरण प्रॉम्प्ट के साथ चलाते हैं (जैसे पेरेक्सिपिका के तरीके के समान)
  • एम्बेडिंग मॉडल के साथ पुनर्क्रमित सारांश [एम्बेडिंग मॉडल] (https://www.glukhov.org/post/2024/09/reranking-with-embedding-models “एम्बेडिंग मॉडल के साथ पुनर्क्रमित करें - RAG के चरण के रूप में”)
  • सही उत्तरों की संख्या को कुल प्रश्नों की संख्या से विभाजित करने पर हमें मॉडल के प्रदर्शन के बारे में जानकारी मिलती है

परीक्षण परिणाम

सही उत्तरों के औसत प्रतिशत के साथ शीर्ष 5 स्थान:

  1. 82%: phi3 - 14b-medium-128k-instruct-q4_0
  2. 81%: llama3.1 - 8b-instruct-q8_0
  3. 81%: mistral-small - 22b-instruct-2409-q4_0
  4. 79%: mistral-nemo - 12b-instruct-2407-q6_K
  5. 79%: llama3.2 - 3b-instruct-q8_0

सभी मॉडलों ने अच्छा प्रदर्शन किया है।

मैं मिस्टल मॉडल समूह के ओर कुछ ध्यान देना चाहूंगा। भाषा की गुणवत्ता औसत से थोड़ा बेहतर है।

दूसरा बिंदु - छोटा 3.2b मॉडल lama3.2:3b-instruct-q8_0 अपने आकार के लिए बहुत अच्छा परिणाम दिखाया है, और यह सभी में सबसे तेज है।

विस्तृत परीक्षण परिणाम

मॉडल का नाम, पैराम, क्वांट आकार परीक्षण 1 परीक्षण 2 औसत
llama3.2:3b-instruct-q8_0 4GB 80 79 79
llama3.1:8b-instruct-q8_0 9GB 76 86 81
gemma2:27b-instruct-q3_K_S 12GB 76 72 74
mistral-nemo:12b-instruct-2407-q6_K 10GB 76 82 79
mistral-small:22b-instruct-2409-q4_0 12GB 85 75 80
phi3:14b-medium-128k-instruct-q4_0 9GB 76 89 82
qwen2.5:14b-instruct-q5_0 10GB 66 75 70
qwen2.5:32b-instruct-q3_K_S 14GB 80 75 77
qwen2.5:32b-instruct-q4_0 18GB 76 79 77
llama3.1:70b-instruct-q3_K_M 34GB 76 75 75
qwen2.5:72b-instruct-q4_1 45GB 76 75 75

उपयोगी लिंक