Update README.md

README.md

@@ -1,6 +1,6 @@
 ---
 library_name: transformers
-model_name: Vikhr-Qwen-2.5-1.5b-Instruct
+model_name: Vikhr-Qwen-2.5-1.5B-Instruct
 base_model:
 - Qwen/Qwen2.5-1.5B-Instruct
 language:
@@ -11,25 +11,26 @@ datasets:
 - Vikhrmodels/GrandMaster-PRO-MAX
 ---
 
-# 💨📟 Vikhr-Qwen-2.5-0.5B-Instruct
+# 💨📟 Vikhr-Qwen-2.5-1.5B-Instruct
 
 #### RU
 
-Инструктивная модель на основе **Qwen-2.5-1.5B-Instruct**, обученная на русскоязычном датасете **GrandMaster-PRO-MAX**. В **4 раза эффективнее** базовой модели, и идеально подходит для запуска на слабых мобильных устройствах.
+Инструктивная модель на основе **Qwen-2.5-1.5B-Instruct**, обученная на русскоязычном датасете **GrandMaster-PRO-MAX**.
 
 #### EN
 
-Instructive model based on **Qwen-2.5-1.5B-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.
+Instructive model based on **Qwen-2.5-1.5B-Instruct**, trained on the Russian-language dataset **GrandMaster-PRO-MAX**.
 
 ## GGUF
 
-- [Vikhrmodels/Vikhr-Qwen-2.5-0.5B-instruct-GGUF](https://huggingface.co/Vikhrmodels/Vikhr-Qwen-2.5-0.5B-instruct-GGUF)
+- [Vikhrmodels/Vikhr-Qwen-2.5-1.5B-instruct-GGUF](https://huggingface.co/Vikhrmodels/Vikhr-Qwen-2.5-1.5B-instruct-GGUF)
 
 ## Особенности:
 
 - 📚 Основа / Base: [Qwen-2.5-1.5B-Instruct](https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct)
 - 🇷🇺 Специализация / Specialization: **RU**
 - 💾 Датасет / Dataset: [GrandMaster-PRO-MAX](https://huggingface.co/datasets/Vikhrmodels/GrandMaster-PRO-MAX)
+- 🌍 Поддержка: **Bilingual RU/EN**
 
 ## Попробовать / Try now:
 
@@ -39,21 +40,21 @@ Instructive model based on **Qwen-2.5-1.5B-Instruct**, trained on the Russian-la
 
 #### RU
 
-**Vikhr-Qwen-2.5-1.5B-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.
+**Vikhr-Qwen-2.5-1.5B-Instruct** — мощная языковая модель, обученная на датасете **GrandMaster-PRO-MAX**, поддерживает генерацию инструкций, контекстные ответы и анализ текста на русском языке. Эта модель оптимизирована для задач инструктивного обучения и обработки текстов. Она подходит для использования в профессиональной среде, а также для интеграции в пользовательские приложения и сервисы.
 
 #### EN
 
-**Vikhr-Qwen-2.5-1.5B-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.
+**Vikhr-Qwen-2.5-1.5B-Instruct** is a robust language model trained on the **GrandMaster-PRO-MAX** dataset. It excels in instruction generation, contextual responses, and text analysis in Russian. The model is optimized for instructional tasks and textual data processing, suitable for professional use as well as integration into user-facing applications and services.
 
-## Обучение / Train:
+## Обучение / Training:
 
 #### RU
 
-Для создания **Vikhr-Qwen-2.5-1.5B-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.  
+**Vikhr-Qwen-2.5-1.5B-Instruct** была создана с использованием метода SFT (Supervised Fine-Tuning). Мы использовали синтетический датасет **GrandMaster-PRO-MAX** (150k инструкций), применяя подход CoT (Chain-Of-Thought) и промпты для GPT-4-turbo. Это позволило добиться высокой точности и когерентности ответов.
 
 #### EN
 
-To create **Vikhr-Qwen-2.5-1.5B-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.  
+**Vikhr-Qwen-2.5-1.5B-Instruct** was developed using the SFT (Supervised Fine-Tuning) method. The synthetic dataset **GrandMaster-PRO-MAX** (150k instructions) was used with CoT (Chain-Of-Thought) methodology and GPT-4-turbo prompts, enabling high accuracy and coherence in responses.
 
 ## Пример кода для запуска / Sample code to run:
 
@@ -62,20 +63,20 @@ To create **Vikhr-Qwen-2.5-1.5B-Instruct**, the SFT (Supervised Fine-Tuning) met
 ```python
 from transformers import AutoModelForCausalLM, AutoTokenizer
 
-# Загрузка модели и токенизатора
+# Load the model and tokenizer
 model_name = "Vikhrmodels/Vikhr-Qwen-2.5-1.5B-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."
+# Prepare the input text
+input_text = "Напиши краткое описание книги Гарри Поттер."
 
 messages = [
-    {"role": "system", "content": "Вы - Vikhr, помощник с искусственным интеллектом, созданный компанией Vikhr models, чтобы быть полезным, безобидным и честным."},
+    {"role": "system", "content": "Вы — Vikhr, ИИ помощник, созданный компанией Vikhr models для предоставления полезной, честной и безопасной информации."},
     {"role": "user", "content": input_text},
 ]
 
-# Токенизация и генерация текста
+# Tokenize and generate text
 input_ids = tokenizer.apply_chat_template(messages, truncation=True, add_generation_prompt=True, return_tensors="pt")
 output = model.generate(
     input_ids,
@@ -87,48 +88,6 @@ output = model.generate(
     top_p=0.95,
 )
 
-# Декодирование и вывод результата
+# Decode and print result
 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 ост��ется 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/lakomoordev), [Vikhr Team](https://t.me/vikhrlabs)
-- Konstantin Korolev, [Vikhr Team](https://t.me/vikhrlabs)
-- Aleksandr Nikolich, [Vikhr Team](https://t.me/vikhrlabs)
-
-```
-@inproceedings{nikolich2024vikhr,
-  title={Vikhr: Constructing a State-of-the-art Bilingual Open-Source Instruction-Following Large Language Model for {Russian}},
-  author={Aleksandr Nikolich and Konstantin Korolev and Sergei Bratchikov and Nikolay Kompanets and Igor Kiselev and Artem Shelmanov },
-  booktitle = {Proceedings of the 4rd Workshop on Multilingual Representation Learning (MRL) @ EMNLP-2024}
-  year={2024},
-  publisher = {Association for Computational Linguistics},
-  url={https://arxiv.org/pdf/2405.13929}
-}
-```