Theta Lyrae Qwen 14B

🚀 Theta-Lyrae-Qwen-14B

Theta-Lyrae-Qwen-14Bは、Qwen 2.5 14Bモダリティアーキテクチャに基づいており、14Bパラメータモデルの推論能力を強化するように設計されています。このモデルは、汎用的な推論と回答に最適化されており、文脈理解、論理的推論、多段階問題解決に優れています。長い思考連鎖推論モデルと専用のデータセットを使用して微調整され、理解能力、構造化された回答、会話インテリジェンスが向上しています。

✨ 主な機能

1. 一般知識の強化：様々なドメインにわたる幅広い知識を提供し、質問に正確に答える能力と首尾一貫した回答を生成する能力を向上させます。
2. 指示の追従性の向上：複雑な指示を理解して追従する能力が大幅に向上し、構造化された回答を生成し、長時間の対話でも一貫性を維持します。
3. 多様な適応性：様々なプロンプトに対してより強い耐性を持ち、幅広いトピックや会話スタイル（自由形式や構造化された質問を含む）を処理する能力を高めています。
4. 長文脈サポート：入力コンテキストに最大128Kトークンをサポートし、一度の出力で最大8Kトークンを生成できるため、詳細な回答に最適です。

📦 インストール

このセクションでは、原READMEに明示的なインストール手順がないため、省略します。

💻 使用例

基本的な使用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "prithivMLmods/Theta-Lyrae-Qwen-14B"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "What are the key principles of general-purpose AI?"
messages = [
    {"role": "system", "content": "You are a helpful assistant capable of answering a wide range of questions."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

📚 ドキュメント

想定される使用方法

1. 汎用的な推論：幅広い適用性を持ち、論理的な推論、多様な質問への回答、一般知識の問題解決を支援します。
2. 教育および情報提供支援：学生、教育者、一般ユーザーに対して説明、要約、研究ベースの回答を提供するのに適しています。
3. 会話型AIとチャットボット：文脈理解と動的な回答生成が必要なインテリジェントな会話エージェントを構築するのに最適です。
4. 多言語アプリケーション：グローバルなコミュニケーション、翻訳、多言語コンテンツ生成をサポートします。
5. 構造化データ処理：テーブルやJSONなどの構造化された出力を分析して生成することができ、データサイエンスや自動化に役立ちます。
6. 長文コンテンツ生成：記事、レポート、ガイドなどの長い回答を生成でき、大量のテキスト出力でも一貫性を維持します。

制限事項

1. ハードウェア要件：大きなパラメータサイズと長文脈サポートのため、高メモリのGPUまたはTPUが必要です。
2. 回答における潜在的なバイアス：中立的に設計されていますが、出力にはトレーニングデータに含まれるバイアスが反映される可能性があります。
3. 創造的なタスクでの出力の不一致：ストーリーテリングや非常に主観的なトピックでは、結果がばらつく可能性があります。
4. 現実世界の認識の制限：トレーニングのカットオフ以降のリアルタイムイベントにアクセスできません。
5. 長文出力におけるエラーの伝播：初期の回答に小さなエラーがあると、長文の出力で全体の一貫性に影響を与える可能性があります。
6. プロンプトの感度：回答の有効性は、入力プロンプトの構造化の良さに依存する場合があります。

📄 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。