Quantization made by Richard Erkhov.

Tamil-Mistral-7B-v0.1 - GGUF

Model creator: https://huggingface.co/Hemanth-thunder/
Original model: https://huggingface.co/Hemanth-thunder/Tamil-Mistral-7B-v0.1/

Name	Quant method	Size
Tamil-Mistral-7B-v0.1.Q2_K.gguf	Q2_K	2.61GB
Tamil-Mistral-7B-v0.1.IQ3_XS.gguf	IQ3_XS	2.9GB
Tamil-Mistral-7B-v0.1.IQ3_S.gguf	IQ3_S	3.05GB
Tamil-Mistral-7B-v0.1.Q3_K_S.gguf	Q3_K_S	3.04GB
Tamil-Mistral-7B-v0.1.IQ3_M.gguf	IQ3_M	3.15GB
Tamil-Mistral-7B-v0.1.Q3_K.gguf	Q3_K	3.37GB
Tamil-Mistral-7B-v0.1.Q3_K_M.gguf	Q3_K_M	3.37GB
Tamil-Mistral-7B-v0.1.Q3_K_L.gguf	Q3_K_L	3.65GB
Tamil-Mistral-7B-v0.1.IQ4_XS.gguf	IQ4_XS	3.77GB
Tamil-Mistral-7B-v0.1.Q4_0.gguf	Q4_0	3.93GB
Tamil-Mistral-7B-v0.1.IQ4_NL.gguf	IQ4_NL	3.97GB
Tamil-Mistral-7B-v0.1.Q4_K_S.gguf	Q4_K_S	3.95GB
Tamil-Mistral-7B-v0.1.Q4_K.gguf	Q4_K	4.17GB
Tamil-Mistral-7B-v0.1.Q4_K_M.gguf	Q4_K_M	4.17GB
Tamil-Mistral-7B-v0.1.Q4_1.gguf	Q4_1	4.34GB
Tamil-Mistral-7B-v0.1.Q5_0.gguf	Q5_0	4.76GB
Tamil-Mistral-7B-v0.1.Q5_K_S.gguf	Q5_K_S	4.76GB
Tamil-Mistral-7B-v0.1.Q5_K.gguf	Q5_K	4.89GB
Tamil-Mistral-7B-v0.1.Q5_K_M.gguf	Q5_K_M	4.89GB
Tamil-Mistral-7B-v0.1.Q5_1.gguf	Q5_1	5.18GB
Tamil-Mistral-7B-v0.1.Q6_K.gguf	Q6_K	5.65GB
Tamil-Mistral-7B-v0.1.Q8_0.gguf	Q8_0	7.32GB

Original model description:

language: - ta license: apache-2.0 tags: - pretrained datasets: - Hemanth-thunder/tamil-madlad-400 pipeline_tag: text-generation inference: parameters: temperature: 0.7 repetition_penalty: 1.15

Model Card for Tamil-Mistral-7B-v0.1

The Tamil-Mistral-7B-v0.1 Large Language Model (LLM) is a pre-trained generative text model trained at the top of mistral base model 7 billion parameters. This is extends version of tokenization capability by increasing tamil tokens by 20k. Additionally, it was Pretrained on 1.19 million Tamil documents sourced from madlad-400 (Tamil) MADLAD-400 (Multilingual Audited Dataset: Low-resource And Document-level).

pretraining time: 145 hours (GPU NVIDIA RTX A6000 48GB)

Mistral model details

For full details of this model please read our paper and release blog post.

Model Architecture

Mistral-7B-v0.1 is a transformer model, with the following architecture choices:

Grouped-Query Attention
Sliding-Window Attention
Byte-fallback BPE tokenizer

Kaggle Demo

Running the model on a GPU 16GB

import torch
from transformers import (AutoModelForCausalLM,AutoTokenizer,TextStreamer,pipeline)
model = AutoModelForCausalLM.from_pretrained("Hemanth-thunder/Tamil-Mistral-7B-v0.1",device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Hemanth-thunder/Tamil-Mistral-7B-v0.1",add_prefix_space=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"
streamer = TextStreamer(tokenizer)
pipe = pipeline("text-generation" ,model=model, tokenizer=tokenizer ,do_sample=True, repetition_penalty=1.15,top_p=0.95,streamer=streamer)
pipe("ஐபிஎல் தொடரில் மும்பை இந்தியன்ஸ் அணி ",max_length=50)


ஐபிஎல் தொடரில் மும்பை இந்தியன்ஸ் அணி -3வது இடத்திற்கு முன்னேறி இருக்கிறது, இதனால் பிளே ஆஃப் வாய்ப்பை உறுதி செய்ய வேண்டும்.
இன்னும் 11 புள்ளிகள் மட்டுமே மீதமுள்ளது.சென்னை சூப்பர் கிங்சுக்கு 12 புள்ளிகளில் உள்ளது.
அதன் கடைசி லீக் போட்டி ஜூன் 23-ம் தேதி சென்னையில் நடைபெறுகிறது.

Loss

Troubleshooting

If you see the following error:

KeyError: 'mistral'

NotImplementedError: Cannot copy out of meta tensor; no data!

Ensure you are utilizing a stable version of Transformers, 4.34.0 or newer.

Notice

Mistral 7B is a pretrained base model and therefore does not have any moderation mechanisms.

How to Cite

@misc{Tamil-Mistral-7B-v0.1, 
      url={[https://huggingface.co/Hemanth-thunder/Tamil-Mistral-7B-v0.1]https://huggingface.co/Hemanth-thunder/Tamil-Mistral-7B-v0.1)}, 
      title={Tamil-Mistral-7B-v0.1}, 
      author={"hemanth kumar"}
}