Ichigo Llama3.1 S Instruct V0.3 Phase 3

🚀 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す。このモデルは、音声理解能力の向上を目的として開発され、研究用途に最適です。

🚀 クイックスタート

このモデルを Google Colab Notebook を使って試すことができます。

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

Ichigo-llama3sモデルファミリーは、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。このモデルは、homebrewltd/Ichigo-llama3.1-s-instruct-v0.3-phase-2 を微調整して開発され、特に不可聴入力とマルチターン会話の処理能力が向上しています。

📚 ドキュメント

モデル詳細

• 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

• 想定使用例: 主に研究用途を想定しています。このバージョンは、音声理解能力に関するLLMのさらなる改善を目指しています。
• 想定外の使用: llama3-sを適用可能な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。

学習プロセス

学習メトリクス画像

以下は、学習損失曲線を視覚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クラスタ
• GPU使用時間:
  • 継続学習: 3時間

学習引数

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

その他詳細

• 論文: http://arxiv.org/abs/2410.15316

引用情報

@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

📄 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。