Diplomovka/README.md

# Instruction fine-tuning slovenského Mistral 7B modelu

Použitý model

Ako základný model bol použitý:

• slovak-nlp/mistral-sk-7b

Výsledný adaptér z prvého experimentu je dostupný na Hugging Face:

• Jakub1320/mistral-sk-7b-slovak-alpaca-qlora

---

Hardvér

Experimenty boli realizované na dvoch serveroch.

Titan

• 2× NVIDIA TITAN RTX
• 24 GB VRAM na GPU
• výpočty v fp16

Hruška

• 2× NVIDIA RTX A4500
• približne 20 GB VRAM na GPU
• výpočty v bf16

---

Prvý experiment – Slovak Alpaca

Použitý dataset

Na supervised fine-tuning bol v prvom experimente použitý slovenský inštrukčný dataset:

• saillab/alpaca-slovak-cleaned

Dataset obsahuje polia:

• instruction
• input
• output

Dáta boli formátované v Alpaca štýle:

### Inštrukcia:
...

### Vstup:
...

### Odpoveď:
...

Metóda dotrénovania

Model bol dotrénovaný pomocou supervised fine-tuningu cez:

• Unsloth
• TRL SFTTrainer
• PEFT LoRA
• QLoRA štýl trénovania

Výsledkom tréningu je PEFT LoRA adaptér, ktorý sa pripája k základnému modelu slovak-nlp/mistral-sk-7b.

Hlavné hyperparametre prvého experimentu

Parameter	Hodnota
Epochs	1
Max sequence length	1024
Batch size	1
Gradient accumulation	8
Effective batch size	8
Learning rate	2e-4
Optimizer	AdamW 8-bit
Scheduler	cosine
Warmup steps	150
LoRA rank	16
LoRA alpha	32
LoRA dropout	0.05
Quantization	4-bit
Compute type	fp16

Použité LoRA cieľové moduly:

q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj

Vyhodnotenie pomocou vlastného evaluačného skriptu

Model bol vyhodnotený na testovacích príkladoch z datasetu saillab/alpaca-slovak-cleaned pomocou metrík ROUGE, BLEU, eval loss a perplexity.

Metrika	Výsledok
ROUGE-1	0.3710
ROUGE-2	0.1702
ROUGE-L	0.2732
BLEU	6.2850
Eval loss	0.8081
Perplexity	2.2435

Vyhodnotenie pomocou lm-evaluation-harness

Hodnotený bol PEFT LoRA adaptér pripojený k základnému modelu:

slovak-nlp/mistral-sk-7b
+
Jakub1320/mistral-sk-7b-slovak-alpaca-qlora

Použité benchmarky

Benchmark	Popis
arc_sk	slovenské vedecké/školské otázky s výberom odpovede
hellaswag_sk	commonsense reasoning a výber najpravdepodobnejšieho pokračovania
m_mmlu_sk	slovenský všeobecný vedomostný benchmark
truthfulqa_sk_mc1	hodnotenie pravdivosti odpovedí, multiple choice MC1
truthfulqa_sk_mc2	hodnotenie pravdivosti odpovedí, multiple choice MC2
sklegal	slovenské právne otázky s výberom odpovede
skquad	slovenský question-answering benchmark

Úlohy sklegal a skquad boli doplnené ako custom tasky.

Výsledky lm-evaluation-harness

Task	Počet vzoriek	Metrika	Výsledok
arc_sk	1169	acc	0.3259
arc_sk	1169	acc_norm	0.3473
hellaswag_sk	9485	acc	0.4134
hellaswag_sk	9485	acc_norm	0.5106
m_mmlu_sk	13062	acc	0.2928
truthfulqa_sk_mc1	778	acc	0.2391
truthfulqa_sk_mc2	778	acc	0.3942
sklegal	1334	acc	0.2841
sklegal	1334	acc_norm	0.4693
skquad	9583	exact	1.9722
skquad	9583	f1	27.7994
skquad	9583	HasAns_exact	2.4106
skquad	9583	HasAns_f1	34.1456
skquad	9583	NoAns_exact	0.0561
skquad	9583	NoAns_f1	0.0561
skquad	9583	best_exact	18.6163
skquad	9583	best_f1	28.3012

---

Experiment so strojovým prekladom datasetu

Cieľom experimentu bolo vyskúšať postup, pri ktorom sa anglické polia datasetu:

• instruction
• input
• output

automaticky preložia do slovenčiny a uložia do novej dátovej množiny so zachovaním pôvodnej štruktúry.

Výstupný formát obsahoval pôvodné anglické texty aj slovenské preklady:

{
  "instruction_en": "...",
  "input_en": "...",
  "output_en": "...",
  "instruction_sk": "...",
  "input_sk": "...",
  "output_sk": "..."
}

Vznikla preložená vzorka datasetu s 1000 príkladmi.

Umiestnenie:

translated_datasets/alpaca_translated_en_sk_1000.jsonl

---

Experiment s datasetom Aya Collection

Pre ďalšie experimenty bol použitý dataset:

• CohereLabs/aya_collection_language_split
• subset: slovak

Používané polia boli mapované nasledovne:

Pôvodné pole	Použitie pri tréningu
inputs	prompt / inštrukcia
targets	odpoveď

---

Prvý dlhý Aya tréning na serveri Titan – manuálne ukončený pokus

Pred úspešným 225 000-krokovým tréningom bol na serveri Titan spustený prvý dlhý tréning nad slovenskou časťou datasetu Aya Collection.

Tento experiment bežal na jednej NVIDIA TITAN RTX a používal streaming datasetu. Konfiguráčny súbor je

train_mistral_sk_aya_slovak_full_lora.yaml

Konfigurácia prvého dlhého tréningu

Parameter	Hodnota
Base model	slovak-nlp/mistral-sk-7b
Dataset	aya_slovak_full
Template	alpaca
Fine-tuning	LoRA
GPU	1× NVIDIA TITAN RTX
Max sequence length	1024
Streaming	áno
Streaming buffer	16 384
Batch size per device	1
Gradient accumulation	4
Effective batch size	4
Max steps	1 037 000
Learning rate	2e-4
Scheduler	cosine
Warmup steps	500
Max grad norm	1.0
Optimizer	AdamW 8-bit
LoRA rank	16
LoRA alpha	32
LoRA dropout	0.05
Compute type	fp16
Unsloth	áno
Unsloth gradient checkpointing	áno
Validation size	1000
Eval interval	každých 50 000 krokov
Save interval	každých 10 000 krokov
Save total limit	2

Použité LoRA cieľové moduly:

q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj

Konfigurácia počítala približne s jedným prechodom cez celý slovenský Aya subset:

4 148 187 príkladov / effective batch 4 ≈ 1 037 000 krokov

Dôvod manuálneho ukončenia

Tréning technicky nespadol. Po približne 94 000 krokoch sa však začala výrazne zhoršovať stabilita optimalizácie.

V logu sa objavili extrémne hodnoty grad_norm, napríklad:

grad_norm = 125.6
grad_norm = 105.9
grad_norm = 24000
grad_norm = 772.1
grad_norm = 11410
grad_norm = 2714
grad_norm = nan

Súčasne začal výrazne kolísať aj training loss, napríklad:

loss = 3.232
loss = 7.081
loss = 5.206
loss = 14.82

Neskôr sa v logu objavila aj kombinácia:

loss = 0.0
grad_norm = nan

Keďže tréning vykazoval známky numerickej nestability, bol manuálne ukončený približne pri kroku 104 238 z plánovaných 1 037 000, teda približne po 10 % tréningu.

V čase ukončenia bol runtime približne:

44 hodín 48 minút

Tento experiment ukázal, že pôvodné nastavenie nebolo vhodné na pokračovanie v takto dlhom tréningu bez ďalších úprav.

---

Dlhý Aya tréning na serveri Titan

Na serveri Titan bol spustený dlhý LoRA fine-tuning nad slovenskou časťou Aya Collection.

Na rozdiel od prvého QLoRA experimentu nebola použitá 4-bit kvantizácia.

Hlavná konfigurácia

Parameter	Hodnota
Base model	slovak-nlp/mistral-sk-7b
Dataset	Aya Collection – Slovak
Fine-tuning	LoRA
Unsloth	áno
GPU	2× NVIDIA TITAN RTX
Batch size per device	1
Gradient accumulation	8
Effective batch size	16
Max sequence length	1024
Max steps	225 000
Learning rate	5e-5
Scheduler	cosine
Warmup steps	10 000
LoRA rank	16
LoRA alpha	16
LoRA dropout	0.0
Compute type	fp16
Streaming	áno

Použité LoRA cieľové moduly:

q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj

Tréning úspešne dobehol do kroku 225000.

Eval loss počas Titan tréningu

Krok	Eval loss
25 000	1.0599
50 000	1.174
75 000	1.284
100 000	1.429
125 000	1.342
150 000	1.323
175 000	1.321
200 000	1.213
225 000	1.221

Najnižší validačný loss bol zaznamenaný pri kroku 25000. Tento checkpoint bol samostatne zachovaný pre ďalšie benchmarkové porovnanie s finálnym modelom.

---

Hruška – 10 porovnávacích experimentov

Na serveri Hruška bola vytvorená séria menších experimentov s cieľom porovnať vplyv vybraných hyperparametrov LoRA fine-tuningu.

Cieľom bolo porovnať vplyv:

• learning rate,
• LoRA rank,
• LoRA alpha,
• optimalizátora,
• LoRA target modulov,
• batch size a gradient accumulation.

Fixný dataset

Pre férové porovnanie všetkých experimentov bol vytvorený fixný dataset:

aya_slovak_100k_fixed.jsonl

Dataset obsahuje presne 100 000 slovenských príkladov z Aya Collection.

Pri jeho vytvorení bol použitý fixný seed. Samotné experimenty už nepoužívali streaming, takže všetky konfigurácie pracovali s rovnakým poolom dát.

Dáta boli uložené vo formáte:

{
  "instruction": "...",
  "input": "",
  "output": "..."
}

Pri tréningu bolo 1000 príkladov použitých na validáciu.

Spoločné nastavenia experimentov

Parameter	Hodnota
Base model	slovak-nlp/mistral-sk-7b
Dataset	aya_slovak_100k_fixed
GPU	2× NVIDIA RTX A4500
Fine-tuning	LoRA
Unsloth	áno
Streaming	nie
Max sequence length	1024
Max steps	6250
Effective batch size	16
Scheduler	cosine
Warmup steps	500
Max grad norm	0.5
LoRA dropout	0.0
Compute type	bf16
Eval interval	každých 1250 krokov
Validation size	1000
Seed	42

Štandardné LoRA cieľové moduly:

q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj

Výnimkou je experiment 08, ktorý používa iba:

q_proj, k_proj, v_proj, o_proj

Porovnávané konfigurácie

Experiment	Hlavná zmena
01_baseline_r16_a16_lr5e5_adamw	baseline: rank 16, alpha 16, LR 5e-5, AdamW
02_optimizer_adamw8bit_r16_a16_lr5e5	AdamW 8-bit
03_rank8_a16_lr5e5	LoRA rank 8
04_rank32_a32_lr5e5	LoRA rank 32, alpha 32
05_r16_alpha32_lr5e5	alpha 32 pri rank 16
06_lr1e4_r16_a16	learning rate 1e-4
07_lr2e5_r16_a16	learning rate 2e-5
08_attention_only_r16_a16_lr5e5	LoRA iba na attention projekciách
09_batch2_accum4_r16_a16_lr5e5	batch size 2, gradient accumulation 4
10_r16_a32_lr1e4	kombinácia alpha 32 + learning rate 1e-4

Výsledky Hruška experimentov

Experiment	Train loss	Eval loss	Runtime
01_baseline_r16_a16_lr5e5_adamw	0.9290	0.7567	7:18:05
02_optimizer_adamw8bit_r16_a16_lr5e5	0.9248	0.7521	7:20:23
03_rank8_a16_lr5e5	0.9308	0.7586	7:16:23
04_rank32_a32_lr5e5	0.9003	0.7292	7:22:33
05_r16_alpha32_lr5e5	0.9026	0.7323	7:17:44
06_lr1e4_r16_a16	0.8890	0.7184	7:17:30
07_lr2e5_r16_a16	0.9674	0.7912	7:18:25
08_attention_only_r16_a16_lr5e5	0.9808	0.8094	6:51:25
09_batch2_accum4_r16_a16_lr5e5	0.9290	0.7563	8:24:57
10_r16_a32_lr1e4	0.8612	0.6918	približne 7:15 h

Najnižší finálny eval_loss dosiahol experiment:

10_r16_a32_lr1e4

s hodnotou:

eval_loss = 0.6918

V tomto experimente bola použitá kombinácia:

LoRA rank = 16
LoRA alpha = 32
learning rate = 1e-4
optimizer = AdamW
effective batch size = 16

Pozorované rozdiely

Z doterajších výsledkov:

• zvýšenie learning rate z 5e-5 na 1e-4 znížilo eval loss z 0.7567 na 0.7184,
• zvýšenie LoRA alpha z 16 na 32 pri rank 16 znížilo eval loss na 0.7323,
• kombinácia alpha=32 a learning_rate=1e-4 dosiahla najnižší eval loss 0.6918,
• rank 32 priniesol eval loss 0.7292,
• rank 8 dosiahol výsledok veľmi blízky baseline,
• attention-only LoRA bola rýchlejšia, ale mala vyšší eval loss,
• zmena z batch size 1 / accumulation 8 na batch size 2 / accumulation 4 nepriniesla zlepšenie validačného lossu ani runtime.

---

Súbory Hruška experimentov

Výsledky experimentov sú uložené v priečinku:

hruska_10_experiments_results/

Súčasťou sú:

hruska_10_experiments_results/
├── aya_slovak_100k_fixed/
├── hruska_10_experiments_results/
│   ├── 01_baseline_r16_a16_lr5e5_adamw/
│   ├── 02_optimizer_adamw8bit_r16_a16_lr5e5/
│   ├── 03_rank8_a16_lr5e5/
│   ├── 04_rank32_a32_lr5e5/
│   ├── 05_r16_alpha32_lr5e5/
│   ├── 06_lr1e4_r16_a16/
│   ├── 07_lr2e5_r16_a16/
│   ├── 08_attention_only_r16_a16_lr5e5/
│   ├── 09_batch2_accum4_r16_a16_lr5e5/
│   └── 10_r16_a32_lr1e4/
├── hruska_experiment_eval_loss_ranking.png
├── hruska_experiment_train_loss_ranking.png
└── hruska_experiment_summary.csv

Každý experiment obsahuje:

<experiment>.yaml
training.log
training_loss.png
training_eval_loss.png

---

Benchmarkovanie Hruška experimentov a Titan modelu

Modely sú následne vyhodnocované pomocou lm-evaluation-harness.

Používané benchmarky:

arc_sk
hellaswag_sk
m_mmlu_sk
truthfulqa_sk_mc1
truthfulqa_sk_mc2
sklegal
skquad

Na Hruške sú postupne benchmarkované všetky modely z 10 porovnávacích experimentov.

Na Titane sa porovnáva:

• finálny model po 225 000 krokoch,
• zachovaný checkpoint z kroku 25 000.

Výsledky tejto časti budú doplnené po dokončení benchmarkov.