metadata

license: apache-2.0
datasets:
  - microsoft/orca-math-word-problems-200k
language:
  - en
metrics:
  - accuracy
pipeline_tag: question-answering

Model Card for Finetuned Mistral-7B on Orca Math Word Problems

Ce modèle est une version du Mistral-7B finement entraînée avec la technique QLoRA (Low-Rank Adaptation) sur le jeu de données Orca-Math Word Problems pour résoudre des problèmes mathématiques en langage naturel.

Model Details

Model Description

Developed by: Anthropic
Model type: Modèle de langage causal (causal language model)
Language(s) (NLP): Anglais
Finetuned from model: Mistral-7B-v0.1 de MistralAI
License: [Plus d'informations nécessaires]

Model Sources

Repository: https://huggingface.co/jeanflop/Mistral_Orcas_7B

Uses

Direct Use

Le modèle est un modèle de langage causal entraîné sur le jeu de données Orca-Math Word Problems pour résoudre des problèmes mathématiques en langage naturel.

Pour utiliser le modèle, vous pouvez charger le modèle et le tokenizer à partir des chemins locaux, puis générer une sortie avec la méthode generate:

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("/path/to/model")
tokenizer = AutoTokenizer.from_pretrained("/path/to/tokenizer")

prompt = "Given the coherent answer sentence to a given problem as an input sentence..."

input_ids = tokenizer(prompt, return_tensors="pt").input_ids

output = model.generate(input_ids, max_new_tokens=100)
print(tokenizer.decode(output[0], skip_special_tokens=True))

Training Details
Training Data
Dataset: microsoft/orca-math-word-problems-200k
Training Procedure
Preprocessing

def tokenize(prompt):
    result = tokenizer(
        prompt,
        truncation=True,
        max_length=512,
        padding="max_length",
    )
    result['labels'] = result['input_ids'].copy()
    return result

def generate_and_tokenize_prompt(data_point):
    full_prompt = f"""Given the logical, mathematical, and coherent answer to a given problem as an input sentence. The entry contains all the information needed to answer the question.
### Question
{data_point["question"]}

### Logical sentences answers
{data_point["answer"]}
"""
    return tokenize(full_prompt)