Ichigo Llama3.1 S Instruct V0.3 Phase 2

🚀 Ichigo-llama3sモデル

Ichigo-llama3sは、音声とテキスト入力をネイティブに理解するモデルファミリーで、音声理解能力の向上に貢献します。

🚀 クイックスタート

このモデルをGoogle Colab Notebookを使って試してみましょう。

まず、音声ファイルを音声トークンに変換する必要があります。

device = "cuda" if torch.cuda.is_available() else "cpu"
if not os.path.exists("whisper-vq-stoks-medium-en+pl-fixed.model"):
    hf_hub_download(
        repo_id="jan-hq/WhisperVQ",
        filename="whisper-vq-stoks-medium-en+pl-fixed.model",
        local_dir=".",
    )
vq_model = RQBottleneckTransformer.load_model(
        "whisper-vq-stoks-medium-en+pl-fixed.model"
    ).to(device)
vq_model.ensure_whisper(device)
def audio_to_sound_tokens(audio_path, target_bandwidth=1.5, device=device):

    wav, sr = torchaudio.load(audio_path)
    if sr != 16000:
        wav = torchaudio.functional.resample(wav, sr, 16000)
    with torch.no_grad():
        codes = vq_model.encode_audio(wav.to(device))
        codes = codes[0].cpu().tolist()

    result = ''.join(f'<|sound_{num:04d}|>' for num in codes)
    return f'<|sound_start|>{result}<|sound_end|>'

次に、他のLLMと同じようにモデルを推論することができます。

def setup_pipeline(model_path, use_4bit=False, use_8bit=False):
    tokenizer = AutoTokenizer.from_pretrained(model_path)

    model_kwargs = {"device_map": "auto"}

    if use_4bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type="nf4",
        )
    elif use_8bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_8bit=True,
            bnb_8bit_compute_dtype=torch.bfloat16,
            bnb_8bit_use_double_quant=True,
        )
    else:
        model_kwargs["torch_dtype"] = torch.bfloat16

    model = AutoModelForCausalLM.from_pretrained(model_path, **model_kwargs)

    return pipeline("text-generation", model=model, tokenizer=tokenizer)

def generate_text(pipe, messages, max_new_tokens=64, temperature=0.0, do_sample=False):
    generation_args = {
        "max_new_tokens": max_new_tokens,
        "return_full_text": False,
        "temperature": temperature,
        "do_sample": do_sample,
    }

    output = pipe(messages, **generation_args)
    return output[0]['generated_text']

# Usage
llm_path = "homebrewltd/llama3.1-s-instruct-v0.2"
pipe = setup_pipeline(llm_path, use_8bit=True)

✨ 主な機能

• 音声とテキスト入力をネイティブに理解することができます。
• 音声理解能力を向上させるために開発されています。

📚 ドキュメント

モデル詳細

Homebrew Researchによって開発され、Ichigo-llama3sファミリーがリリースされました。このファミリーは、音声とテキスト入力をネイティブに理解することができます。

homebrewltd/Ichigo-llama3.1-s-base-v0.3から、Instruction Speech WhisperVQ v3データセットの約10億トークンを使って、WhisperVQを音声ファイルのトークナイザーとして用いたセマンティックトークン実験を拡張しています。 これはステップ7000のモデルチェックポイントです。学習データにノイズがあるため、音声命令ベンチマークで人工的に高いスコアを記録しています。

モデル開発者: Homebrew Research

入力: テキストと音声

出力: テキスト

モデルアーキテクチャ: Llama-3

言語: 英語

想定使用法

想定使用ケース: このファミリーは主に研究用途を想定しています。このバージョンは、LLMの音声理解能力をさらに向上させることを目指しています。

想定外の使用: llama3-sを適用される法律や規制に違反する方法で使用することは、厳格に禁止されています。

🔧 技術詳細

学習プロセス

学習メトリクス画像: 以下は、学習損失曲線を可視化したスナップショットです。

MMLU:

AudioBench評価:

ハードウェア

GPU構成: 8台のNVIDIA H100-SXM-80GBのクラスタ

GPU使用時間:

• 継続的学習: 12時間

学習引数

torchtuneライブラリを使って、最新のFSDP2学習コードを実装しています。

💻 使用例

基本的な使用法

上記の「クイックスタート」セクションのコードを参照してください。

高度な使用法

このモデルを使って、音声とテキスト入力に基づいた様々なアプリケーションを開発することができます。具体的な高度な使用法は、開発者自身のニーズに応じて実装してください。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。

📚 引用情報

BibTeX:

@article{Llama3-S: Sound Instruction Language Model 2024,
  title={Llama3-S},
  author={Homebrew Research},
  year=2024,
  month=August,
  url={https://huggingface.co/homebrewltd/llama3.1-s-2024-08-20}

🙏 謝辞

• WhisperSpeech
• Meta-Llama-3.1-8B-Instruct