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:

```text
### 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:

```text
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:

```text
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

Poznámka: výsledky `arc_sk`, `hellaswag_sk`, `m_mmlu_sk` a TruthfulQA pochádzajú z prvého behu. `sklegal` a `skquad` boli následne dopočítané v druhom samostatnom behu nad tým istým Alpaca QLoRA adaptérom, pretože v pôvodnom behu tieto dve custom úlohy nefungovali.

| 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:

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

Vznikla preložená vzorka datasetu s 1000 príkladmi.

Umiestnenie:

```text
strojovy_preklad/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
```text
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:

```text
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:

```text
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:

```text
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:

```text
loss = 3.232
loss = 7.081
loss = 5.206
loss = 14.82
```

Neskôr sa v logu objavila aj kombinácia:

```text
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:

```text
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:

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

Tréning úspešne dobehol do kroku `225000`.

Pri effective batch size 16 bolo do tohto bodu spracovaných približne:

```text
225 000 × 16 = 3 600 000 príkladov
```

To predstavuje približne 86,8 % slovenského Aya datasetu s približne 4,148 milióna príkladmi. Nešlo teda o úplný jeden epoch.

## 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:

```text
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:

```json
{
  "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:

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

Výnimkou je experiment 08, ktorý používa iba:

```text
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:

```text
10_r16_a32_lr1e4
```

s hodnotou:

```text
eval_loss = 0.6918
```

V tomto experimente bola použitá kombinácia:

```text
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:

```text
hruska_10_experiments_results/
```

Súčasťou sú:

```text
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:

```text
<experiment>.yaml
training.log
training_loss.png
training_eval_loss.png
```
---

## Reprodukcia tréningových experimentov

Jednotlivé experimenty je možné zreplikovať pomocou uložených YAML konfiguračných súborov.

Pred spustením tréningu je potrebné aktivovať prostredie s LLaMA-Factory a prejsť do jeho adresára:

```bash
conda activate llama_factory_unsloth
cd /home/schwarc/LLaMA-Factory
```

Pre 2-GPU experimenty bol tréning spúšťaný pomocou:

```bash
CUDA_VISIBLE_DEVICES=0,1 FORCE_TORCHRUN=1 \
llamafactory-cli train /cesta/ku/configu.yaml
```

Napríklad pre experiment:

```text
10_r16_a32_lr1e4
```

možno použiť:

```bash
CUDA_VISIBLE_DEVICES=0,1 FORCE_TORCHRUN=1 \
llamafactory-cli train \
/home/schwarc/diplomovka/configs/hruska_compare9_100k_fixed/10_r16_a32_lr1e4.yaml
```

Ak má byť terminálový výstup zároveň uložený do logu:

```bash
CUDA_VISIBLE_DEVICES=0,1 FORCE_TORCHRUN=1 \
llamafactory-cli train \
/home/schwarc/diplomovka/configs/hruska_compare9_100k_fixed/10_r16_a32_lr1e4.yaml \
2>&1 | tee /home/schwarc/diplomovka/logs/10_r16_a32_lr1e4.log
```



# Výsledky benchmarkovania pomocou lm-evaluation-harness

Po dokončení tréningov boli vyhodnotené:

- všetkých 10 Hruška experimentov,
- Titan checkpoint po 25 000 krokoch,
- finálny Titan model po 225 000 krokoch,
- starší QLoRA model trénovaný na `saillab/alpaca-slovak-cleaned`.
- Kompletné výsledky a výstupné súbory z evaluácie pomocou lm-evaluation-harness sú dostupné v priečinku `lmeval/`

Použité benchmarky:

```text
arc_sk
hellaswag_sk
m_mmlu_sk
truthfulqa_sk_mc1
truthfulqa_sk_mc2
sklegal
skquad
```

Počet hodnotených vzoriek bol:

| Benchmark | Počet vzoriek |
|---|---:|
| `arc_sk` | 1169 |
| `hellaswag_sk` | 9485 |
| `m_mmlu_sk` | 13062 |
| `truthfulqa_sk_mc1` | 778 |
| `truthfulqa_sk_mc2` | 778 |
| `sklegal` | 1334 |
| `skquad` | 9583 |

Pri úlohách, kde `lm-evaluation-harness` poskytuje `acc` aj `acc_norm`, je v súhrnných tabuľkách použitá najmä hodnota `acc_norm`. Pri `skquad` je ako hlavná súhrnná metrika použitá hodnota `F1`.

Hruška benchmarky boli počítané v `bfloat16`, Titan a starší Alpaca model v `float16`. Batch size pri evaluácii bol 1.

## Poznámka k staršiemu Alpaca benchmarku

Starší model `Jakub1320/mistral-sk-7b-slovak-alpaca-qlora` bol vyhodnotený v dvoch behoch. V prvom boli vyhodnotené:

```text
arc_sk
hellaswag_sk
m_mmlu_sk
truthfulqa_sk_mc1
truthfulqa_sk_mc2
```

Úlohy `sklegal` a `skquad` vtedy nefungovali, preto boli neskôr spustené samostatne. Výsledky uvedené v README sú zlúčením týchto dvoch behov nad tým istým adaptérom.

Pri porovnávaní starého Alpaca modelu s novšími behmi treba brať do úvahy, že bol použitý iný softvérový stav. Najdôležitejšie je, že starý výsledok `truthfulqa_sk_mc2` má v uloženom výsledku verziu úlohy 2.0, zatiaľ čo novšie Hruška a Titan behy používajú verziu 1.0. Preto výsledok MC2 starého Alpaca modelu nie je vhodné považovať za úplne priamo porovnateľný s novými behmi. Ostatné hlavné verzie benchmarkov sa zhodujú.

---

## Výsledky 10 Hruška experimentov

| Experiment | Eval loss | ARC acc_norm | HellaSwag acc_norm | M-MMLU acc | TQA MC1 | TQA MC2 | SKLegal acc_norm | SKQuad F1 |
|---|---:|---:|---:|---:|---:|---:|---:|---:|
| `01_baseline_r16_a16_lr5e5_adamw` | 0.7567 | 0.3405 | 0.5209 | 0.3550 | 0.1799 | 0.3439 | 0.4685 | 36.6797 |
| `02_optimizer_adamw8bit_r16_a16_lr5e5` | 0.7521 | 0.3379 | 0.5212 | 0.3544 | 0.1928 | 0.3537 | 0.4715 | 36.2178 |
| `03_rank8_a16_lr5e5` | 0.7586 | 0.3311 | 0.5167 | 0.3455 | 0.1838 | 0.3425 | 0.4715 | 36.3638 |
| `04_rank32_a32_lr5e5` | 0.7292 | 0.3353 | 0.5201 | 0.3450 | 0.1902 | 0.3367 | 0.4730 | 36.0228 |
| `05_r16_alpha32_lr5e5` | 0.7323 | 0.3336 | 0.5190 | 0.3571 | 0.1967 | 0.3555 | 0.4670 | 37.8735 |
| `06_lr1e4_r16_a16` | 0.7184 | 0.3311 | 0.5207 | 0.3550 | 0.1902 | 0.3473 | 0.4655 | 37.5796 |
| `07_lr2e5_r16_a16` | 0.7912 | 0.3276 | 0.5225 | 0.3379 | 0.1671 | 0.3246 | 0.4723 | 33.8381 |
| `08_attention_only_r16_a16_lr5e5` | 0.8094 | 0.3524 | 0.5218 | 0.3448 | 0.1877 | 0.3674 | 0.4768 | 43.3752 |
| `09_batch2_accum4_r16_a16_lr5e5` | 0.7563 | 0.3379 | 0.5209 | 0.3514 | 0.1864 | 0.3402 | 0.4693 | 35.3128 |
| `10_r16_a32_lr1e4` | 0.6918 | 0.3293 | 0.5157 | 0.3448 | 0.2057 | 0.3480 | 0.4618 | 37.7561 |

### Najlepší výsledok Hruška podľa jednotlivých benchmarkov

| Metrika | Najlepší Hruška experiment | Výsledok |
|---|---|---:|
| ARC acc_norm | `08_attention_only_r16_a16_lr5e5` | 0.3524 |
| HellaSwag acc_norm | `07_lr2e5_r16_a16` | 0.5225 |
| M-MMLU acc | `05_r16_alpha32_lr5e5` | 0.3571 |
| TruthfulQA MC1 | `10_r16_a32_lr1e4` | 0.2057 |
| TruthfulQA MC2 | `08_attention_only_r16_a16_lr5e5` | 0.3674 |
| SKLegal acc_norm | `08_attention_only_r16_a16_lr5e5` | 0.4768 |
| SKQuad F1 | `08_attention_only_r16_a16_lr5e5` | 43.3752 |


Najvýraznejší výsledok dosiahol experiment:

```text
08_attention_only_r16_a16_lr5e5
```

Ten mal síce zo všetkých 10 experimentov najvyšší, teda najhorší validačný `eval_loss = 0.8094`, ale súčasne dosiahol najlepší Hruška výsledok na:

- `arc_sk` podľa `acc_norm`,
- `truthfulqa_sk_mc2`,
- `sklegal` podľa `acc_norm`,
- `skquad` podľa F1.

Na `skquad` dosiahol F1 `43.3752`, zatiaľ čo baseline experiment 01 dosiahol `36.6797`.

Naopak experiment:

```text
10_r16_a32_lr1e4
```

mal najlepší validačný `eval_loss = 0.6918`, ale nebol najlepší vo väčšine externých benchmarkov. Jeho najlepší výsledok v rámci Hruška experimentov bol `truthfulqa_sk_mc1 = 0.2057`.


Ďalšie pozorovania:

- `07_lr2e5_r16_a16` dosiahol najlepší HellaSwag `acc_norm = 0.5225`, ale mal slabší eval loss `0.7912`.
- `05_r16_alpha32_lr5e5` dosiahol najlepší M-MMLU výsledok `0.3571`.
- AdamW 8-bit v experimente 02 dal benchmarkové výsledky veľmi podobné klasickému AdamW baseline.
- zmena batch size / gradient accumulation v experimente 09 nepriniesla jasné benchmarkové zlepšenie,
- rozdiely medzi viacerými Hruška modelmi na multiple-choice úlohách sú malé, preto ich netreba interpretovať ako zásadné bez ďalších behov alebo štatistického testovania,
- najvýraznejšie oddelenie experimentu 08 je na `skquad`, kde je rozdiel oproti ostatným modelom podstatne väčší.

---

## Porovnanie Titan checkpointu 25k a finálneho modelu 225k

Checkpoint 25 000 zodpovedá približne:

```text
25 000 × effective batch size 16 = 400 000 spracovaných tréningových príkladov
```

Finálny krok 225 000 zodpovedá približne:

```text
225 000 × 16 = 3 600 000 spracovaných tréningových príkladov
```

Slovenská časť Aya obsahuje približne 4,148 milióna príkladov, takže 225 000 krokov predstavuje približne 86,8 % jedného úplného prechodu datasetom, nie celý epoch.

| Metrika | Titan 25k | Titan 225k | Zmena 225k − 25k |
|---|---:|---:|---:|
| ARC acc_norm | 0.3251 | 0.3447 | +1.97 p. b. |
| HellaSwag acc_norm | 0.4943 | 0.4793 | -1.50 p. b. |
| M-MMLU acc | 0.3342 | 0.2719 | -6.22 p. b. |
| TruthfulQA MC1 | 0.1761 | 0.2005 | +2.44 p. b. |
| TruthfulQA MC2 | 0.3251 | 0.3613 | +3.63 p. b. |
| SKLegal acc_norm | 0.4588 | 0.4393 | -1.95 p. b. |
| SKQuad F1 | 25.8678 | 35.0471 | +9.1793 bodu |


Výsledok Titan porovnania nie je jednoznačný.

Finálny 225k model oproti 25k checkpointu zlepšil:

- ARC `acc_norm` približne o 1,97 percentuálneho bodu,
- TruthfulQA MC1 približne o 2,44 p. b.,
- TruthfulQA MC2 približne o 3,63 p. b.,
- SKQuad F1 približne o 9,18 bodu.

Naopak sa zhoršil:

- HellaSwag `acc_norm` približne o 1,50 p. b.,
- M-MMLU približne o 6,22 p. b.,
- SKLegal `acc_norm` približne o 1,95 p. b.

To je dôležité aj vzhľadom na validačný loss. Checkpoint 25k mal najlepší nameraný Titan eval loss približne `1.0599`, zatiaľ čo na konci bol eval loss približne `1.221`. Napriek tomu 225k checkpoint zlepšil niektoré downstream úlohy, najmä `skquad`.

Preto sa nedá povedať, že checkpoint s najnižším validačným lossom je automaticky najlepší model pre všetky úlohy.

---

## Súhrnné porovnanie vybraných modelov

| Model / checkpoint | ARC acc_norm | HellaSwag acc_norm | M-MMLU acc | TQA MC1 | TQA MC2 | SKLegal acc_norm | SKQuad F1 |
|---|---:|---:|---:|---:|---:|---:|---:|
| Alpaca QLoRA | 0.3473 | 0.5106 | 0.2928 | 0.2391 | 0.3942 * | 0.4693 | 27.7994 |
| Hruška 08 attention-only | 0.3524 | 0.5218 | 0.3448 | 0.1877 | 0.3674 | 0.4768 | 43.3752 |
| Hruška 10 best eval loss | 0.3293 | 0.5157 | 0.3448 | 0.2057 | 0.3480 | 0.4618 | 37.7561 |
| Titan 25k | 0.3251 | 0.4943 | 0.3342 | 0.1761 | 0.3251 | 0.4588 | 25.8678 |
| Titan 225k | 0.3447 | 0.4793 | 0.2719 | 0.2005 | 0.3613 | 0.4393 | 35.0471 |

`*` Starý Alpaca výsledok `truthfulqa_sk_mc2` bol získaný s inou verziou tejto úlohy, preto ho treba porovnávať opatrne.

Z porovnania možno vyvodiť:

1. **Hruška experimenty sú veľmi konkurencieschopné napriek iba 100k dátam.**  
   Najmä experiment 08 dosiahol najlepší výsledok na `skquad` a silné výsledky na ARC a SKLegal.

2. **Viac tréningových dát alebo viac krokov automaticky neznamenalo lepší výsledok na každom benchmarku.**  
   Titan 225k spracoval približne 3,6 milióna príkladov, ale na M-MMLU, HellaSwag a SKLegal bol slabší než viacero 100k Hruška experimentov.

3. **Titan 225k sa výrazne zlepšil v generatívnom question-answering benchmarku SKQuad oproti Titan 25k.**  
   F1 stúplo z `25.8678` na `35.0471`.

4. **Starší Alpaca QLoRA model zostáva silný na TruthfulQA MC1.**  
   Dosiahol `0.2391`, čo je viac než všetky nové Aya experimenty. To môže znamenať, že rozdielna tréningová dátová distribúcia zachováva alebo posilňuje iné schopnosti modelu.

5. **Najlepší Hruška validačný loss a najlepší benchmarkový model nie sú totožné.**  
   Experiment 10 je najlepší podľa Aya eval loss, zatiaľ čo experiment 08 je najvýraznejší podľa širšieho benchmarkového profilu.


---

## Dôležité obmedzenia porovnania

Pri interpretácii výsledkov treba zohľadniť:

- Hruška modely boli trénované na fixnom 100k výbere Aya dát, Titan na streamovanej veľkej časti Aya datasetu,
- konfigurácie tréningu sa medzi Hruškou a Titanom líšili,
- Hruška benchmarky používali `bf16`, Titan `fp16`,
- starší Alpaca benchmark vznikol v inom softvérovom prostredí,
- starý `truthfulqa_sk_mc2` používal inú verziu úlohy,
- nebol zatiaľ zrobený benchmark základného modelu `slovak-nlp/mistral-sk-7b` bez adaptéru.




---

# Optuna – výber learning rate na 30k Aya príkladoch

Po sérii 100k porovnávacích experimentov som na Hruške vyskúšal menší skúšobný experiment s automatickým výberom learning rate pomocou framewrku Optuna. Cieľom bolo vybrať sľubnú oblasť LR pre následné overenie na väčšej dátovej množine. Táto časť sumarizuje **osem úspešne dokončených trialov**.

Konfigurácie, súhrnné výsledky, grafy a podrobné záznamy úspešných trialov sú v priečinku [optuna_30k_experiments/](optuna_30k_experiments/).

Tréningové logy všetkých ôsmich dokončených trialov sú v priečinku [logs/](optuna_30k_experiments/logs/).

## Metodika a spoločné nastavenia

Optimalizovaný bol iba parameter `learning_rate` v rozsahu **2e-5 až 2e-4**. Prvé štyri referenčné hodnoty boli vložené ručne: `2e-5`, `5e-5`, `1e-4` a `2e-4`. Ďalšie hodnoty navrhovala Optuna.


| Parameter | Hodnota |
|---|---|
| Základný model | `slovak-nlp/mistral-sk-7b` |
| Dataset | fixný `aya_slovak_hpo_30k`, bez streamingu |
| Rozdelenie dát | 29 000 tréningových + 1 000 validačných príkladov |
| Hardvér | 1× NVIDIA RTX A4500 na Hruške, GPU 0 |
| Compute type | `bf16` |
| Framework | LLaMA-Factory + Unsloth |
| Fine-tuning | LoRA, bez nastavenej 4-bit kvantizácie |
| Template / max. dĺžka | `alpaca` / 1024 tokenov |
| Packing / train on prompt | `false` / `false` |
| LoRA rank / alpha / dropout | 16 / 32 / 0.0 |
| LoRA target moduly | `q_proj,k_proj,v_proj,o_proj,gate_proj,up_proj,down_proj` |
| Batch size / gradient accumulation | 1 / 16, effective batch 16 |
| Rozsah tréningu | 1 epocha, 1 813 optimizer krokov |
| Optimizer / scheduler | AdamW (`adamw_torch`) / cosine |
| Warmup | 150 krokov |
| Max grad norm | 0.5 |
| Eval interval / eval batch size | každých 300 krokov + finálna evaluácia / 1 |
| Seed | 42 |


## Výsledky ôsmich dokončených trialov

| Poradie | Trial | Learning rate | Finálny eval loss | Maximum zaznamenaného grad_norm |
|---:|---:|---:|---:|---:|
| 1 | 3 | 0.0002000000 | 0.740409 | 14.7127 |
| 2 | 8 | 0.0001864520 | 0.740567 | 3.4996 |
| 3 | 4 | 0.0001869045 | 0.741250 | 29.0258 |
| 4 | 2 | 0.0001000000 | 0.752890 | 7.8035 |
| 5 | 6 | 0.0000625750 | 0.766744 | 8.2603 |
| 6 | 1 | 0.0000500000 | 0.774108 | 9.5442 |
| 7 | 7 | 0.0000202781 | 0.800064 | 16.1318 |
| 8 | 0 | 0.0000200000 | 0.800524 | 17.8756 |

Presné hodnoty LR, finálne aj minimálne eval loss, kroky, training loss a runtime sú v [CSV súhrne](optuna_30k_experiments/results/optuna_lr_results.csv).

<p align="center">
  <img src="optuna_30k_experiments/results/lr_vs_eval_loss.png"
       alt="Finálny eval loss v závislosti od learning rate"
       width="50%">
</p>

## Súhrn

- Najnižší finálny eval loss dosiahol **trial 3 s LR 0.0002: 0.740409**.
- Trial 8 s LR približne **0.00018645** dosiahol veľmi blízky výsledok **0.740567**; rozdiel je približne 0.000157.
- Na tomto 30k tréningu mali nižšie skúšané LR vyšší finálny eval loss. 
- Najlepší skúšaný LR leží na hornej hranici rozsahu.


---

# Hruška – hľadanie learning rate na 300k Aya príkladoch

Po skúšobnom hľadaní LR pomocou Optuny na 30k príkladoch nasledovalo **overenie šiestich ručne zvolených hodnôt LR na väčšej, fixnej 300k vzorke**. Cieľom bolo nájsť vhodné východiskové nastavenie pre plánovaný tréning na celej slovenskej Aya množine na **Perune**. Tento 300k experiment ešte nebol tréningom na celej množine.

Podklady k tréningu a následným benchmarkom vybraného modelu sú v priečinku [aya_300k_lr_experiments/](aya_300k_lr_experiments/). Postup opakovania a technické podmienky sú v [reproduction.md](aya_300k_lr_experiments/reproduction.md).

## Dáta a spoločná konfigurácia

Zo slovenského `train` splitu `CohereLabs/aya_collection_language_split` sa vyfiltrovali prázdne alebo neplatné `inputs`/`targets`, údaje sa premiešali so seed 42 a vybralo sa 300 000 záznamov. Polia sa previedli na Alpaca formát: `inputs` na `instruction`, prázdny `input` a `targets` na `output`.

| Parameter | Hodnota |
|---|---|
| Základný model | `slovak-nlp/mistral-sk-7b` |
| Použitý modelový snapshot | `089497ae0d72018e9591895c54f774bf0b4a83a4` |
| Dataset | fixný `aya_slovak_300k_fixed`, bez streamingu |
| Rozdelenie | 299 000 tréningových + 1 000 validačných príkladov |
| Hardvér | Hruška, 1× RTX A4500, GPU 0 |
| Framework a presnosť | LLaMA-Factory + Unsloth, `bf16` |
| Fine-tuning | LoRA, rank 16, alpha 32, dropout 0.0 |
| LoRA moduly | `q_proj,k_proj,v_proj,o_proj,gate_proj,up_proj,down_proj` |
| Template / cutoff | `alpaca` / 1024 tokenov |
| Packing / train on prompt | `false` / `false` |
| Batch / gradient accumulation | 1 / 16; effective batch 16 |
| Tréning | 1 epocha, 18 688 optimizer krokov |
| Optimizer / scheduler | `adamw_torch` / cosine |
| Warmup / max grad norm | 1500 krokov / 0.5 |
| Evaluácia / logovanie | každých 1000 / 10 krokov + finálna evaluácia |
| Seed | 42 |

Pôvodné [konfigurácie](aya_300k_lr_experiments/configs/) a [tréningové logy](aya_300k_lr_experiments/logs/) sú zachované. Konfigurácie sa líšia hodnotou LR, výstupnou cestou a prevádzkovým príznakom `overwrite_output_dir`. Archív neobsahuje checksum vstupného datasetu ani identifikátory validačných vzoriek; úplnú identitu dát preto nemožno nezávisle overiť iba z uložených konfigurácií.

## Výsledky a výber LR pre ďalší tréning

Prvá séria obsahovala LR `0.00018`, `0.00020` a `0.00023`. Po jej vyhodnotení sa rozsah rozšíril smerom nadol o `0.00015`, `0.00010` a `0.00008`. Všetkých šesť behov dokončilo jednu epochu.

| Learning rate | Finálny eval loss | Minimálny eval loss | Krok minima |
|---:|---:|---:|---:|
| 0.00008 | 0.875217 | 0.875217 | 18 688 |
| **0.00010** | **0.872620** | **0.872620** | **18 688** |
| 0.00015 | 0.884270 | 0.884270 | 18 688 |
| 0.00018 | 0.891460 | 0.891388 | 18 000 |
| 0.00020 | 0.897669 | 0.897507 | 18 000 |
| 0.00023 | 0.903236 | 0.903193 | 18 000 |

**LR `0.00010` bol vybraný preto, že dosiahol najnižší finálny validačný loss zo všetkých šiestich 300k behov: `0.87261962890625`.** Rozdiel oproti LR `0.00008` je približne 0.002597. Ide o najlepší bodový výsledok v tejto sérii; neprebehli opakovania s viacerými seedmi ani overenie optimálneho LR na celej Aya množine. Pre Perun slúži ako východisko.

Na 30k skúške bol najlepší skúšaný LR `0.0002`. Výsledky 300k série preto ukazujú význam overenia LR na väčšej vzorke. Absolútne hodnoty eval loss medzi 30k, 100k a 300k sériami nie sú priamym porovnaním kvality modelov, keďže nemožno predpokladať zhodné validačné vzorky.

Presné údaje sú v [pôvodnom LR súhrne](aya_300k_lr_experiments/results/aya_300k_lr_summary.csv), [rozšírenom súhrne behov](aya_300k_lr_experiments/results/training_run_summary.csv) a [histórii validačného loss](aya_300k_lr_experiments/results/eval_loss_history.csv).

<p align="center">
  <img src="aya_300k_lr_experiments/results/lr_vs_final_eval_loss.png" alt="Finálny eval loss podľa learning rate na 300k Aya príkladoch" width="50%">
</p>

<p align="center">
  <img src="aya_300k_lr_experiments/results/eval_loss_over_steps.png" alt="Priebeh validačného loss pre šesť learning rate" width="50%">
</p>

<p align="center">
  <img src="aya_300k_lr_experiments/results/grad_norm_over_steps.png" alt="Priebeh zaznamenaného gradient norm pre šesť learning rate" width="50%">
</p>

## Export vybraného modelu a benchmarky

Na následné benchmarky sa vybral model s LR `0.00010`. Jeho LoRA adaptér sa zlúčil s pôvodným základným modelom do samostatného modelu v `bfloat16`. Export nepredstavoval ďalší tréning. [Exportná konfigurácia](aya_300k_lr_experiments/benchmarks/export/export_lr_0p00010.yaml) používa rovnaký snapshot základného modelu a template `alpaca`.

Benchmarky skúmajú schopnosti tohto vybraného modelu. **Ostatných päť LR zatiaľ týmito benchmarkmi nebolo porovnaných**, takže z nich nemožno vyhlásiť LR `0.00010` za najlepší LR podľa downstream metrík.

### lm-evaluation-harness

Použilo sa pôvodné prostredie `lm_eval_hruska`, HF backend, `bf16`, batch size 1 a zero-shot nastavenie bez aplikovania chat template. Zlúčený model sa načítal samostatne; tokenizer pochádzal z pôvodného modelového snapshotu. Tento postup obchádza nekompatibilitu exportovaného označenia `TokenizersBackend` so starším Transformers 4.48.2.

Vyhodnotenie dokončilo všetkých sedem pôvodných úloh a skončilo s návratovým kódom 0. Zachované sú [výsledky](aya_300k_lr_experiments/benchmarks/lmeval/results/), [log](aya_300k_lr_experiments/benchmarks/lmeval/logs/), custom úlohy a metadáta prostredia. V nasledujúcej tabuľke sú accuracy metriky prevedené na percentá; SKQuad F1 je už v zdroji v škále 0–100.

| Model | ARC acc_norm | HellaSwag acc_norm | M-MMLU acc | TQA MC1 | TQA MC2 | SKLegal acc_norm | SKQuad F1 |
|---|---:|---:|---:|---:|---:|---:|---:|
| 100k – experiment 01, baseline | 34.05 | 52.09 | 35.50 | 17.99 | 34.39 | 46.85 | 36.68 |
| 100k – experiment 08, attention-only | 35.24 | 52.18 | 34.48 | 18.77 | 36.74 | 47.68 | 43.38 |
| 100k – experiment 10, r16/a32/LR 0.0001 | 32.93 | 51.57 | 34.48 | 20.57 | 34.80 | 46.18 | 37.76 |
| **300k – vybraný LR 0.00010** | 34.73 | 51.64 | 31.03 | 19.67 | 35.07 | 46.10 | 38.73 |

Oproti 100k experimentu 10 dosiahol vybraný 300k model bodovo vyššie ARC acc_norm (+1.80 percentuálneho bodu) a SKQuad F1 (+0.97 bodu), ale nižšie M-MMLU acc (−3.45 percentuálneho bodu). Ostatné zmeny sú menšie. V žiadnej zo siedmich hlavných metrík neprekonal maximum z celej desiatky 100k behov; tieto maximá navyše pochádzajú z rôznych konfigurácií. Výber najnižšieho validačného loss teda neznamená automaticky najlepší výsledok v každej downstream úlohe. Nejde o vyhodnotenie všetkých šiestich 300k LR ani o test štatistickej významnosti rozdielov.

Úplné porovnanie so všetkými desiatimi staršími Hruška experimentmi je v [comparison_with_100k.csv](aya_300k_lr_experiments/benchmarks/lmeval/comparison_with_100k.csv). Vo všetkých porovnávaných Hruška behoch sa zhodujú konfigurácie a verzie úloh, počty vzoriek, seeds, evaluator commit `6d2abda4`, Transformers 4.48.2 a nastavenie bez chat template. Pole `task_hashes` je však v zdrojových JSON súboroch prázdne, takže nezávislé overenie obsahu benchmarkových dát pomocou hashov nie je možné. Staršie výsledky používali samostatný PEFT adaptér, nový výsledok zlúčený model v BF16; spôsob načítania a zaokrúhlenie pri zlúčení preto nie sú úplne identické. Podrobnosti sú v [audite porovnateľnosti](aya_300k_lr_experiments/benchmarks/lmeval/provenance/comparability_audit.json).

### SK-bench

Dokončil sa **čiastkový slovenský zero-shot beh s 222 položkami**. Položka predstavuje kombináciu úlohy, podúlohy a variantu promptu, nie jeden hodnotený príklad. Zahrnuté boli tri slovenské formulácie promptov dostupných úloh. Použila sa Alpaca šablóna zlúčeného modelu, greedy dekódovanie, seed 1234, `bf16`, jedna GPU a maximálny kontext 32 768 tokenov.

Z pôvodných 412 slovenských položiek sa vynechalo 187 položiek pre 12 nedostupných repozitárov: Chiby, Autoškola, e-testy, IFEval-SK, OneRuler-SK, Scio, Slohry, Slovak school exams, Slovak Trivia, SlovakSum, SME-Sum a slovné analógie. Ich kontrola vracala `RepositoryNotFoundError`; tento stav sám osebe nerozlišuje neexistujúci repozitár od súkromného repozitára bez oprávnenia. Ďalšie tri položky NLI-SK-annotated sa vynechali, pretože prístup vyžadoval schválenie autorkou a pri spúšťaní behu ešte nebol udelený. Ostatné NLI úlohy zo skLEP v behu zostali.

Uložené sú [vykonané úlohy](aya_300k_lr_experiments/benchmarks/skbench/configs/tasks.txt), [vynechané úlohy](aya_300k_lr_experiments/benchmarks/skbench/configs/omitted_tasks.txt), [report dostupnosti](aya_300k_lr_experiments/benchmarks/skbench/configs/dataset_access_report.json), úplný výsledný JSON a úspešný log. Audit 222 detailných parquet výstupov overil **159 426 hodnotení** (53 142 pre každý z troch promptov). **Log zároveň potvrdzuje orezanie príliš dlhého vstupu.** Všetky uložené `model_response.truncated_tokens_count` sú síce nulové, ale tieto počítadlá nezachytili orezanie hlásené enginom. Pri MultiWikiQA má 69 vstupov dĺžku presne na hranici použitého rozpočtu (23 pri každom prompte); ide o kandidátov konzistentných s orezaním, nie o spoľahlivo dokázaný počet orezaných príkladov. Výsledky dlhých QA vstupov preto treba interpretovať s týmto obmedzením. Podrobnosti sú v [audite](aya_300k_lr_experiments/benchmarks/skbench/results/audit_summary.json) a [počítadlách po úlohách](aya_300k_lr_experiments/benchmarks/skbench/results/truncation_audit_per_task.csv).

Výber opisných výsledkov z dostupných úloh. Uvedený priemer je vážený počtom hodnotených príkladov v príslušných variantoch; všetky tri prompty majú v danej úlohe rovnaký počet príkladov. Pri MMLU zahŕňa všetkých 57 predmetov a tri prompty. Toto nie je oficiálna agregácia úplného SK-bench.

| Úloha | Metrika | Počet variantov | Priemer (%) |
|---|---|---:|---:|
| ARC | `em_relaxed` | 3 | 19.08 |
| Belebele | `em_relaxed` | 3 | 21.33 |
| Financial Exams | `em_relaxed` | 3 | 22.94 |
| Global-MMLU-Lite | `em_relaxed` | 3 | 19.83 |
| MMLU (57 predmetov) | `em_relaxed` | 171 | 15.72 |
| SlovakCOPA | `em_relaxed` | 3 | 40.47 |
| SKJ1 | `em_relaxed` | 3 | 4.33 |
| TruthfulQA MC1 | `em_relaxed` | 3 | 1.20 |
| MovieReview | `em_norm_relaxed` | 3 | 40.90 |
| ToxicSK | `em_norm_relaxed` | 3 | 47.60 |
| MultiWikiQA | `f1_slk` | 3 | 50.99 |
| skLEP-QA | `f1_slk` | 3 | 37.50 |

Úplné metriky sú v [per_task_metrics.csv](aya_300k_lr_experiments/benchmarks/skbench/results/per_task_metrics.csv); rodinné a promptové súhrny vrátane nevážených priemerov sú v [family_summary.csv](aya_300k_lr_experiments/benchmarks/skbench/results/family_summary.csv) a [family_prompt_summary.csv](aya_300k_lr_experiments/benchmarks/skbench/results/family_prompt_summary.csv).

Výsledky treba čítať spolu s definíciou metriky a promptu. Napríklad pri ARC je priemer presnej metriky `em` približne 2.37 %, zatiaľ čo `em_relaxed` dosahuje 19.08 %. Rozdiel ukazuje citlivosť generatívneho hodnotenia na spôsob zápisu odpovede. Úplný surový JSON zachováva aj agregát `all`, ktorý sa tu neinterpretuje ako celkové skóre: mieša rôzne metriky a pokrýva neúplnú množinu úloh. Samotné MMLU tvorí 171 z 222 položiek, preto jednoduché spriemerovanie všetkých riadkov nie je vyváženým súhrnom schopností modelu.

**Tento výsledok nie je oficiálne celkové skóre úplného SK-bench.** Pri porovnávaní ďalších modelov treba použiť rovnaký zmrazený zoznam úloh a rovnaký protokol. SK-bench používa generovanie a následné porovnávanie textovej odpovede, zatiaľ čo väčšina uvedených lm-eval úloh vyhodnocuje pravdepodobnosti možností. Odlišné sú aj konkrétne datasety, prompty a metriky; hodnoty medzi týmito dvoma frameworkmi preto nie sú priamo zameniteľné.

Pri príprave sa sampler FlashInfer pokúšal kompilovať cez starší systémový CUDA toolkit. Úspešný beh používal `VLLM_USE_FLASHINFER_SAMPLER=0` a `--enforce-eager`. Podrobné verzie a parametre sú súčasťou benchmarkových metadát.

## Uložené podklady

Priečinok [aya_300k_lr_experiments/](aya_300k_lr_experiments/) obsahuje pôvodné konfigurácie, tréningové a benchmarkové logy, výsledné JSON/CSV súbory, grafy, vybrané metadáta a skripty. Veľké váhy, checkpointy, `trainer_state.json`, kompletné per-sample parquet súbory a duplicitné inference cache zostávajú v pôvodnom archíve. Grafy a odvodené tabuľky tréningu možno obnoviť z malých uložených histórií bez prístupu k váham modelov.

Zdrojový archív a jeho SHA-256 sú zaznamenané v [source_archive.json](aya_300k_lr_experiments/provenance/source_archive.json).