Dorna Llama3 8B Instruct Quantized4Bit

🚀 ドルナ・ラマ3-8B-インストラクト4ビット量子化モデル

このリポジトリは、Dorna-Llama3-8B-Instruct モデルの4ビット量子化バージョンで、メモリ使用量を効率的に抑えることができます。ドルナモデルはデコーダー専用のモデルで、特にペルシャ語のデータで訓練/ファインチューニングされています。また、高速推論のために Flash Attention 2 が統合されています。

🚀 クイックスタート

このモデルを使用するには、TransformersのAutoクラスとgenerate()関数を使って会話型推論を実行できます。以下に例を示します。

import torch
import transformers
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "amirMohammadi/Dorna-Llama3-8B-Instruct-Quantized4Bit"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system",
     "content": "You are a helpful Persian assistant. Please answer questions in the asked language."},
    {"role": "user", "content": "اصفهان بزرگ تر است یا قم؟"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = model.generate(
    input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

✨ 主な機能

• メモリ使用量の削減：4ビット量子化により、メモリ要件が低下します。
• 高速推論：Flash Attention 2により、処理が高速化されます。
• 簡単なデプロイ：LlamaCPPやCandleなどの追加ライブラリは必要ありません。
• すぐに使える：Langchain、Haystack、LlamaIndex 2などと互換性があります。
• Google Colab対応：T4 GPUを搭載したGoogle Colabの無料枠で実行できます（GPU RAMが15GB未満）。

📚 ドキュメント

非量子化バージョンの評価

このモデルは、ブール型の質問、コード生成、長文応答、数学、ニュースQA、言い換え、一般知識、要約など、さまざまなタスクの質問に対して評価されています。ほとんどのカテゴリには、通常、HardとEasyの2つの主な難易度レベルがあります。

人間による評価と自動評価（GPT - 4を審査員として使用）の両方が行われています。

両方の表では、Dorna - 8B - it が Dorna - Llama3 - 8B - Instruct の略称として使用されています。

全体的な人間評価結果

カテゴリ別の人間評価結果

各カテゴリの勝率/敗率/引き分け率 % が報告されています。

自動評価結果

📄 ライセンス

このモデルは、llama3ライセンスの下で提供されています。

お問い合わせ

このモデルに関する質問がある場合は、Hugging Faceのコミュニティ を通じてお問い合わせください。