Он был обучен на моем наборе данных cris177/Arguments (https://huggingface.co/datasets/cris177/Arguments). Точная настройка модели большого языка (LLM) для понимания и генерации логических аргументов — сложная задача. В этой статье описываются шаги, предпринятые для точной настройки модели LLaMA2-7B, включая создание набора данных аргументов и оценку производительности модели с использованием различных тестов. Ниже приведены подробные шаги этого процесса. Первым шагом в создании набора данных для обучения аргументам было создание списка утверждений и их соответствующих отрицаний. Это было достигнуто с использованием существующих больших языковых моделей (LLM). Побудив студентов LLM создать разнообразный набор утверждений и их отрицаний, был создан фундаментальный набор данных. Например: — Утверждение: «Небо голубое». — Отрицание: «Небо не голубое». — Утверждение: «Кошки – млекопитающие». — Отрицание: «Кошки не являются млекопитающими». Используя комбинации сгенерированных операторов, мы создали списки аргументов modus ponens и modus tollens. Пример: — Если пойдет дождь, земля будет мокрой. — Идет дождь. — Поэтому земля мокрая. — Modus Tollens: — Если P, то Q. — Не Q. — Следовательно, не P. Пример: — Если…
Модальности:
Генерация текста
Задача: Генерация текста
Автор: cris177
Теги: llama, en, text-generation-inference, endpoints_compatible
Лайков: 4 | Загрузок: 9
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
