uploaded readme

README.md

@@ -0,0 +1,172 @@
+Quantization made by Richard Erkhov.
+
+[Github](https://github.com/RichardErkhov)
+
+[Discord](https://discord.gg/pvy7H8DZMG)
+
+[Request more models](https://github.com/RichardErkhov/quant_request)
+
+
+Vikhr-Qwen-2.5-0.5b-Instruct - GGUF
+- Model creator: https://huggingface.co/Vikhrmodels/
+- Original model: https://huggingface.co/Vikhrmodels/Vikhr-Qwen-2.5-0.5b-Instruct/
+
+
+| Name | Quant method | Size |
+| ---- | ---- | ---- |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q2_K.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q2_K.gguf) | Q2_K | 0.32GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_XS.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_XS.gguf) | IQ3_XS | 0.32GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_S.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_S.gguf) | IQ3_S | 0.32GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_S.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_S.gguf) | Q3_K_S | 0.31GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_M.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.IQ3_M.gguf) | IQ3_M | 0.32GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K.gguf) | Q3_K | 0.33GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_M.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_M.gguf) | Q3_K_M | 0.33GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_L.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q3_K_L.gguf) | Q3_K_L | 0.34GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.IQ4_XS.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.IQ4_XS.gguf) | IQ4_XS | 0.33GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q4_0.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q4_0.gguf) | Q4_0 | 0.33GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.IQ4_NL.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.IQ4_NL.gguf) | IQ4_NL | 0.33GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K_S.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K_S.gguf) | Q4_K_S | 0.36GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K.gguf) | Q4_K | 0.37GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K_M.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q4_K_M.gguf) | Q4_K_M | 0.37GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q4_1.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q4_1.gguf) | Q4_1 | 0.35GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q5_0.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q5_0.gguf) | Q5_0 | 0.37GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K_S.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K_S.gguf) | Q5_K_S | 0.38GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K.gguf) | Q5_K | 0.39GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K_M.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q5_K_M.gguf) | Q5_K_M | 0.39GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q5_1.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q5_1.gguf) | Q5_1 | 0.39GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q6_K.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q6_K.gguf) | Q6_K | 0.47GB |
+| [Vikhr-Qwen-2.5-0.5b-Instruct.Q8_0.gguf](https://huggingface.co/RichardErkhov/Vikhrmodels_-_Vikhr-Qwen-2.5-0.5b-Instruct-gguf/blob/main/Vikhr-Qwen-2.5-0.5b-Instruct.Q8_0.gguf) | Q8_0 | 0.49GB |
+
+
+
+
+Original model description:
+---
+library_name: transformers
+model_name: Vikhr-Qwen-2.5-0.5b-Instruct
+base_model:
+- Qwen/Qwen2.5-0.5B-Instruct
+language:
+- ru
+- en
+license: apache-2.0
+datasets:
+- Vikhrmodels/GrandMaster-PRO-MAX
+---
+
+# 💨�� Vikhr-Qwen-2.5-0.5B-Instruct
+
+#### RU
+
+Инструктивная модель на основе **Qwen-2.5-0.5B-Instruct**, обученная на русскоязычном датасете **GrandMaster-PRO-MAX**. В **4 раза эффективнее** базовой модели, и идеально подходит для запуска на слабых мобильных устройствах.
+
+#### EN
+
+Instructive model based on **Qwen-2.5-0.5B-Instruct**, trained on the Russian-language dataset **GrandMaster-PRO-MAX**. It is **4 times more efficient** than the base model, making it perfect for deployment on low-end mobile devices.
+
+## GGUF
+
+- [Vikhrmodels/Vikhr-Qwen-2.5-0.5B-instruct-GGUF](https://huggingface.co/Vikhrmodels/Vikhr-Qwen-2.5-0.5B-instruct-GGUF)
+
+## Особенности:
+
+- 📚 Основа / Base: [Qwen-2.5-0.5B-Instruct](https://huggingface.co/Qwen/Qwen-2.5-0.5B-Instruct)
+- 🇷🇺 Специализация / Specialization: **RU**
+- 💾 Датасет / Dataset: [GrandMaster-PRO-MAX](https://huggingface.co/datasets/Vikhrmodels/GrandMaster-PRO-MAX)
+
+## Попробовать / Try now:
+
+[![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1bJpLmplDGkMbfOLO2CH6IO-2uUZEaknf?usp=sharing)
+
+## Описание:
+
+#### RU
+
+**Vikhr-Qwen-2.5-0.5B-instruct** — это компактная языковая модель, обученная на датасете **GrandMaster-PRO-MAX**, специально доученная для обработки русского языка. Эффективность модели **в 4 раза** превышает базовую модель, а её размер составляет **1ГБ** , что делает её отличным выбором для запуска на слабых мобильных устройствах.
+
+#### EN
+
+**Vikhr-Qwen-2.5-0.5B-instruct** is a compact language model trained on the **GrandMaster-PRO-MAX** dataset, specifically designed for processing the Russian language. Its efficiency is **4 times** higher than the base model, and its size is **1GB**, making it an excellent choice for deployment on low-end mobile devices.
+
+## Обучение / Train:
+
+#### RU
+
+Для создания **Vikhr-Qwen-2.5-0.5B-Instruct** использовался метод SFT (Supervised Fine-Tuning). Мы обучили модель на синтетическом датасете **Vikhrmodels/GrandMaster-PRO-MAX** (150k инструкций) с поддержкой CoT (Chain-Of-Thought), используя промпты для GPT-4-turbo.  
+
+#### EN
+
+To create **Vikhr-Qwen-2.5-0.5B-Instruct**, the SFT (Supervised Fine-Tuning) method was used. We trained the model on a synthetic dataset **Vikhrmodels/GrandMaster-PRO-MAX** (150k instructions) with support for CoT (Chain-Of-Thought), utilizing prompts for GPT-4-turbo.  
+
+## Пример кода для запуска / Sample code to run:
+
+**Рекомендуемая температура для генерации: 0.3** / **Recommended generation temperature: 0.3**.
+
+```python
+from transformers import AutoModelForCausalLM, AutoTokenizer
+
+# Загрузка модели и токенизатора
+model_name = "Vikhrmodels/Vikhr-Qwen-2.5-0.5B-Instruct"
+model = AutoModelForCausalLM.from_pretrained(model_name)
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+
+# Подготовка входного текста
+input_text = "Напиши очень краткую рецензию о книге Гарри Поттер."
+
+# Токенизация и генерация текста
+input_ids = tokenizer.encode(input_text, return_tensors="pt")
+output = model.generate(
+  input_ids,
+  max_length=1512,
+  temperature=0.3,
+  num_return_sequences=1,
+  no_repeat_ngram_size=2,
+  top_k=50,
+  top_p=0.95,
+  )
+
+# Декодирование и вывод результата
+generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
+print(generated_text)
+```
+
+#### Ответ модели / Model response:
+
+>Книга "Гарри Поттер" – это серия книг, написанных британским писателем Джоан Роулинг. Это одно из самых известных произведений в мире литературы и популярного детского творчества.
+>
+>**Основные черты серии:**
+>
+>1. **Сюжет:** События разворачиваются вокруг мальчика по имени Гарри Поттер, который учится в Школе волшебства и философии в Университете Хогвартс. Он сталкивается с различными препятствиями, включая борьбу со злом, поиск друзей и самопознание.
+>
+>2. **Персонажи:** В книге представлены множество персонажей, каждый из которых имеет свои уникальные черты характера, мотивации и прошлое. Главный герой, Гарри Поттер, является примером доброго и смелого человека, а также необычной личностью.
+>
+>3. **Темы и идеи:** Рассказы книги затрагивают темы любви, дружбы, справедливости, морали, человеческой неповиновенности и важности обучения через приключения.
+>
+>4. **История и развитие персонажей:** Через события и взаимодействие с другими персонажами книга исследует глубокие психологические и философские вопросы.
+>
+>5. **Влияние на культуру:** "Гарри Поттер" оказал огромное влияние на мировую литературу, превратившись в культовый жанр и символ знаний и мудрости.
+>
+>6. **Доступность:** Книги серии доступны для широкой аудитории и пользуются большим спросом, что делает их популярным выбором среди читателей всех возрастов.
+>
+>7. **Развитие жанра:** Несмотря на то что "Гарри Поттер" является частью серии, он продолжает быть любимым и актуальным, так как продолжает удивлять читателей новыми историями и персонажами.
+>
+>Эта серия книг остается одной из самых значительных и влиятельных в истории литературы, оказав влияние на развитие мировой культуры и образование.
+
+
+### Авторы / Authors
+
+- Sergei Bratchikov, [NLP Wanderer](https://t.me/nlpwanderer), [Vikhr Team](https://t.me/vikhrlabs)
+- Nikolay Kompanets, [LakoMoor](https://t.me/lakomoor), [Vikhr Team](https://t.me/vikhrlabs)
+- Konstantin Korolev, [Vikhr Team](https://t.me/vikhrlabs)
+- Aleksandr Nikolich, [Vikhr Team](https://t.me/vikhrlabs)
+
+```
+@article{nikolich2024vikhr,
+  title={Vikhr: The Family of Open-Source Instruction-Tuned Large Language Models for Russian},
+  author={Aleksandr Nikolich and Konstantin Korolev and Sergey Bratchikov and Nikolay Kompanets and Artem Shelmanov},
+  journal={arXiv preprint arXiv:2405.13929},
+  year={2024},
+  url={https://arxiv.org/pdf/2405.13929}
+}
+```
+