Falcon E 3B Instruct
模型概述
該模型採用純Transformer架構的1.58比特版本,支持英語,適用於各種自然語言處理任務,特別適合資源受限環境下的部署。
模型特點
高效1.58比特架構
採用創新的1.58比特量化技術,大幅降低內存佔用同時保持模型性能
邊緣設備優化
專為邊緣計算場景設計,955MB的超低內存佔用使其適合資源受限環境
多版本支持
提供BitNet模型、預量化檢查點和bfloat16版本,滿足不同使用場景需求
模型能力
文本生成
指令跟隨
問答系統
內容創作
使用案例
智能助手
對話系統
部署在邊緣設備上的智能對話助手
在IFEVAL評估中獲得60.97分
教育
學習輔導
為學生提供即時學習輔導和問題解答
在數學難題評估中獲得15.3分
🚀 Transformers庫 - Falcon-E模型
本項目提供了基於transformers
庫的Falcon-E模型,這是一系列強大、通用且可微調的1.58bit語言模型,具有低內存佔用和良好的性能表現,可用於文本生成等自然語言處理任務。
🚀 快速開始
目前,要使用此模型,你可以依賴Hugging Face的transformers
庫或BitNet庫。根據你的目標用途,有多種方式可以與模型進行交互。對於每個Falcon-E系列模型,你有三種變體:BitNet模型、用於微調的預量化檢查點以及BitNet模型的bfloat16
版本。
✨ 主要特性
- 低內存佔用:在不同規模的模型中,Falcon-E系列模型相較於其他模型具有更低的內存佔用,如Falcon-E-1B-Base僅需635MB,Falcon-E-3B-Base僅需955MB。
- 性能良好:在多個評估指標上表現出色,如在IFEVAL、Math-Hard等任務中取得了較好的成績。
- 可微調:支持使用
onebitllms
Python包進行微調。
📦 安裝指南
若使用transformers
庫,可通過以下命令安裝:
pip install transformers
若使用BitNet庫,可通過以下命令安裝:
git clone https://github.com/microsoft/BitNet && cd BitNet
pip install -r requirements.txt
💻 使用示例
基礎用法
使用transformers
庫進行推理(BitNet檢查點)
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "tiiuae/Falcon-E-3B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
).to("cuda")
# Perform text generation
使用transformers
庫進行推理(經典bfloat16
版本)
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "tiiuae/Falcon-E-3B-Instruct"
revision = "bfloat16"
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
revision=revision,
).to("cuda")
# Perform text generation
使用BitNet庫進行推理
python setup_env.py --hf-repo tiiuae/Falcon-E-3B-Instruct -q i2_s
python run_inference.py -m models/Falcon-E-3B-Instruct/ggml-model-i2_s.gguf -p "You are a helpful assistant" -cnv
高級用法
模型微調
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import SFTTrainer
from onebitllms import replace_linear_with_bitnet_linear, quantize_to_1bit
model_id = "tiiuae/Falcon-E-3B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_id, revision="prequantized")
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
revision="prequantized"
)
model = replace_linear_with_bitnet_linear(model)
trainer = SFTTrainer(
model,
...
)
trainer.train()
quantize_to_1bit(output_directory)
📚 詳細文檔
模型詳情
屬性 | 詳情 |
---|---|
模型類型 | 因果解碼器-only / 基礎版本 |
架構 | 純Transformer - 1.58bit版本 |
語言 | 英語 |
許可證 | Falcon-LLM許可證 |
開發者 | https://www.tii.ae |
訓練詳情
有關此模型訓練協議的更多詳細信息,請參考Falcon-E技術博客文章。
評估結果
我們在以下表格中報告了內部管道基準測試結果:
注意:評估結果是來自前Hugging Face排行榜v2任務的歸一化分數
1B規模及以下模型
模型 | 參數數量 | 內存佔用 | IFEVAL | Math-Hard | GPQA | MuSR | BBH | MMLU-Pro | 平均 |
---|---|---|---|---|---|---|---|---|---|
Qwen-2.5-0.5B | 0.5B | 1GB | 16.27 | 3.93 | 0.0 | 2.08 | 6.95 | 10.06 | 6.55 |
SmolLM2-360M | 0.36B | 720MB | 21.15 | 1.21 | 0.0 | 7.73 | 5.54 | 1.88 | 6.25 |
Qwen-2.5-1.5B | 1.5B | 3.1GB | 26.74 | 9.14 | 16.66 | 5.27 | 20.61 | 4.7 | 13.85 |
Llama-3.2-1B | 1.24B | 2.47GB | 14.78 | 1.21 | 4.37 | 2.56 | 2.26 | 0 | 4.2 |
SmolLM2-1.7B | 1.7B | 3.4GB | 24.4 | 2.64 | 9.3 | 4.6 | 12.64 | 3.91 | 9.58 |
Falcon-3-1B-Base | 1.5B | 3GB | 24.28 | 3.32 | 11.34 | 9.71 | 6.76 | 3.91 | 9.89 |
Hymba-1.5B-Base | 1.5B | 3GB | 22.95 | 1.36 | 7.69 | 5.18 | 10.25 | 0.78 | 8.04 |
Falcon-E-1B-Base | 1.8B | 635MB | 32.9 | 10.97 | 2.8 | 3.65 | 12.28 | 17.82 | 13.40 |
3B規模模型
模型 | 參數數量 | 內存佔用 | IFEVAL | Math-Hard | GPQA | MuSR | BBH | MMLU-Pro | 平均 |
---|---|---|---|---|---|---|---|---|---|
Falcon-3-3B-Base | 3B | 6.46GB | 15.74 | 11.78 | 21.58 | 6.27 | 18.09 | 6.26 | 15.74 |
Qwen2.5-3B | 3B | 6.17GB | 26.9 | 14.8 | 24.3 | 11.76 | 24.48 | 6.38 | 18.1 |
Falcon-E-3B-Base | 3B | 955MB | 36.67 | 13.45 | 8.67 | 4.14 | 19.83 | 27.16 | 18.32 |
指令微調模型 - 1B規模及以下
模型 | 參數數量 | 內存佔用 | IFEVAL | Math-Hard | GPQA | MuSR | BBH | MMLU-Pro | 平均 |
---|---|---|---|---|---|---|---|---|---|
Qwen-2.5-0.5B-Instruct | 500M | 1GB | 30.71 | 0 | 8.43 | 0.94 | 7.75 | 0 | 6.59 |
SmolLM2-360M-Instruct | 360M | 720MB | 38.42 | 1.51 | 4.17 | 2.77 | 1.3 | 0.67 | 8.14 |
Qwen-2.5-1.5B-Instruct | 1.5B | 3.1GB | 44.76 | 22.05 | 19.81 | 3.19 | 19.99 | 0.78 | 18.43 |
SmolLM2-1.7B | 1.7B | 3.4GB | 53.68 | 5.82 | 10.92 | 4.1 | 11.71 | 0 | 15.02 |
Falcon-3-1B-Instruct | 1.5B | 3GB | 55.57 | 6.34 | 12.96 | 10.56 | 9.32 | 2.24 | 16.16 |
Hymba-1.5B-Instruct | 1.5B | 3GB | 60.09 | 2.72 | 4.59 | 1.05 | 11.56 | 5.515 | 14.19 |
Falcon-E-1B-Instruct | 1.8B | 635MB | 54.35 | 9.12 | 16.5 | 2.51 | 19.42 | 9.64 | 18.59 |
指令微調模型 - 3B規模
模型 | 參數數量 | 內存佔用 | IFEVAL | Math-Hard | GPQA | MuSR | BBH | MMLU-Pro | 平均 |
---|---|---|---|---|---|---|---|---|---|
Falcon-3-3B-Instruct | 3B | 6.46GB | 69.77 | 25 | 26.29 | 11.13 | 22.28 | 5.15 | 26.6 |
Qwen2.5-3B-Instruct | 3B | 6.17GB | 64.75 | 36.78 | 25.8 | 7.57 | 25.05 | 3.02 | 27.16 |
Falcon-E-3B-Instruct | 3B | 955MB | 60.97 | 15.3 | 23.59 | 2.12 | 26.45 | 7.45 | 22.64666667 |
有用鏈接
- 查看我們的發佈博客文章。
- 瞭解更多關於
onebitllms
庫的信息。 - 如果你有任何問題或想與我們的研究人員和開發人員交流,請加入我們的Discord服務器。
📄 許可證
本模型使用Falcon-LLM許可證,詳情請見許可證鏈接。
📚 引用
如果Falcon-E系列模型對你的工作有幫助,請引用:
@misc{tiionebitllms,
title = {Falcon-E, a series of powerful, universal and fine-tunable 1.58bit language models.},
author = {Falcon-LLM Team},
month = {April},
url = {https://falcon-lm.github.io/blog/falcon-edge},
year = {2025}
}
Phi 2 GGUF
其他
Phi-2是微軟開發的一個小型但強大的語言模型,具有27億參數,專注於高效推理和高質量文本生成。
大型語言模型 支持多種語言
P
TheBloke
41.5M
205
Roberta Large
MIT
基於掩碼語言建模目標預訓練的大型英語語言模型,採用改進的BERT訓練方法
大型語言模型 英語
R
FacebookAI
19.4M
212
Distilbert Base Uncased
Apache-2.0
DistilBERT是BERT基礎模型的蒸餾版本,在保持相近性能的同時更輕量高效,適用於序列分類、標記分類等自然語言處理任務。
大型語言模型 英語
D
distilbert
11.1M
669
Llama 3.1 8B Instruct GGUF
Meta Llama 3.1 8B Instruct 是一個多語言大語言模型,針對多語言對話用例進行了優化,在常見的行業基準測試中表現優異。
大型語言模型 英語
L
modularai
9.7M
4
Xlm Roberta Base
MIT
XLM-RoBERTa是基於100種語言的2.5TB過濾CommonCrawl數據預訓練的多語言模型,採用掩碼語言建模目標進行訓練。
大型語言模型 支持多種語言
X
FacebookAI
9.6M
664
Roberta Base
MIT
基於Transformer架構的英語預訓練模型,通過掩碼語言建模目標在海量文本上訓練,支持文本特徵提取和下游任務微調
大型語言模型 英語
R
FacebookAI
9.3M
488
Opt 125m
其他
OPT是由Meta AI發佈的開放預訓練Transformer語言模型套件,參數量從1.25億到1750億,旨在對標GPT-3系列性能,同時促進大規模語言模型的開放研究。
大型語言模型 英語
O
facebook
6.3M
198
1
基於transformers庫的預訓練模型,適用於多種NLP任務
大型語言模型
Transformers

1
unslothai
6.2M
1
Llama 3.1 8B Instruct
Llama 3.1是Meta推出的多語言大語言模型系列,包含8B、70B和405B參數規模,支持8種語言和代碼生成,優化了多語言對話場景。
大型語言模型
Transformers 支持多種語言

L
meta-llama
5.7M
3,898
T5 Base
Apache-2.0
T5基礎版是由Google開發的文本到文本轉換Transformer模型,參數規模2.2億,支持多語言NLP任務。
大型語言模型 支持多種語言
T
google-t5
5.4M
702
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98