Xwin LM 7B V0.1

🚀 Xwin-LM: 強力で安定した再現可能な大規模言語モデルのアライメント技術

Xwin-LMは、大規模言語モデルのアライメント技術（教師付き微調整（SFT）、報酬モデル（RM）、棄却サンプリング、人間のフィードバックによる強化学習（RLHF）など）を開発し、オープンソース化することを目指しています。初回リリースはLlama2ベースモデルに基づいて構築され、AlpacaEvalで1位にランクインしました。特筆すべきは、このベンチマークで初めてGPT-4を上回ったことです。本プロジェクトは継続的に更新されます。

🚀 クイックスタート

Xwin-LMを使って、大規模言語モデルのアライメントを強化しましょう！

✨ 主な機能

• 大規模言語モデルのアライメント技術を開発・オープンソース化
• Llama2ベースモデルに基づく初回リリースがAlpacaEvalで1位
• 初めてGPT-4を上回ったモデル

📚 ドキュメント

ニュース

• 💥 [2023年9月] Xwin-LM-70B-V0.1をリリース。AlpacaEvalベンチマークでDavinci-003に対する勝率が95.57%を達成し、AlpacaEvalで1位にランクイン。初めてGPT-4を上回ったモデルであり、GPT-4に対する勝率は60.61です。
• 🔍 [2023年9月] RLHFがXwin-LM-V0.1リリースの高いパフォーマンスに重要な役割を果たしています！
• 💥 [2023年9月] Xwin-LM-13B-V0.1をリリース。AlpacaEvalで91.76%の勝率を達成し、すべての13Bモデルの中で1位にランクイン。
• 💥 [2023年9月] Xwin-LM-7B-V0.1をリリース。AlpacaEvalで87.82%の勝率を達成し、すべての7Bモデルの中で1位にランクイン。

モデルカード

ベンチマーク

AlpacaEvalでのXwin-LMのパフォーマンス

以下の表は、AlpacaEvalでのXwin-LMのパフォーマンスを示しています。ここでは、805の質問にわたってText-Davinci-003に対する勝率を評価しています。包括的な評価のため、ChatGPTおよびGPT-4に対する勝率も初めて提示しています。Xwin-LMモデルファミリーは、すべての指標で新たな最先端のパフォーマンスを確立しています。特に、Xwin-LM-70B-V0.1は初めてGPT-4を上回り、Text-Davinci-003に対する勝率は95.57%、GPT-4に対する勝率は**60.61%**を達成しています。

AlpacaEvalのケーススタディ

NLP基礎タスクでのXwin-LMのパフォーマンス

以下の表は、Open LLM LeaderboardのNLP基礎タスクにおいて、Xwin-LMsと他の大規模言語モデルを比較したものです。

推論

会話テンプレート

推論にモデルを利用する際には、目的の結果を得るために会話テンプレートに厳密に従ってください。当社のモデルはVicunaが確立したプロンプト形式を採用しており、複数ターンの会話をサポートしています。

好奇心旺盛なユーザーと人工知能アシスタントの会話。アシスタントは、ユーザーの質問に役立つ、詳細な、礼儀正しい回答を提供します。ユーザー: こんにちは！アシスタント: こんにちは。</s>ユーザー: あなたは誰ですか？アシスタント: 私はXwin-LMです。</s>......

HuggingFaceの例

from transformers import AutoTokenizer, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("Xwin-LM/Xwin-LM-7B-V0.1")
tokenizer = AutoTokenizer.from_pretrained("Xwin-LM/Xwin-LM-7B-V0.1")
(
    prompt := "A chat between a curious user and an artificial intelligence assistant. "
            "The assistant gives helpful, detailed, and polite answers to the user's questions. "
            "USER: Hello, can you help me? "
            "ASSISTANT:"
)
inputs = tokenizer(prompt, return_tensors="pt")
samples = model.generate(**inputs, max_new_tokens=4096, temperature=0.7)
output = tokenizer.decode(samples[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
print(output) 
# Of course! I'm here to help. Please feel free to ask your question or describe the issue you're having, and I'll do my best to assist you.

vllmの例

Xwin-LMはLlama2に基づいているため、vllmを使用した高速推論もサポートしています。詳細なインストール手順については、vllmを参照してください。

from vllm import LLM, SamplingParams
(
    prompt := "A chat between a curious user and an artificial intelligence assistant. "
            "The assistant gives helpful, detailed, and polite answers to the user's questions. "
            "USER: Hello, can you help me? "
            "ASSISTANT:"
)
sampling_params = SamplingParams(temperature=0.7, max_tokens=4096)
llm = LLM(model="Xwin-LM/Xwin-LM-7B-V0.1")
outputs = llm.generate([prompt,], sampling_params)

for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(generated_text)

今後の予定

• [ ] ソースコードを公開する
• [ ] 数学や推論など、より多くの機能を公開する

引用

このリポジトリのデータやコードを使用する場合は、以下のように引用してください。

@software{xwin-lm,
  title = {Xwin-LM},
  author = {Xwin-LM Team},
  url = {https://github.com/Xwin-LM/Xwin-LM},
  version = {pre-release},
  year = {2023},
  month = {9},
}

謝辞

Llama 2、FastChat、AlpacaFarm、およびvllmに感謝します。

📄 ライセンス

本プロジェクトはLlama2ライセンスの下で提供されています。