Pythia 6.9b

🚀 ピュシア-6.9B

Pythia Scaling Suiteは、解釈可能性の研究を促進するために開発されたモデルのコレクションです(論文を参照)。このコレクションには、70M、160M、410M、1B、1.4B、2.8B、6.9B、および12Bのサイズの2セット8つのモデルが含まれています。各サイズには、Pileでトレーニングされたモデルと、データセットがグローバルに重複排除された後のPileでトレーニングされたモデルの2つがあります。すべての8つのモデルサイズは、まったく同じデータをまったく同じ順序でトレーニングされています。また、各モデルについて154の中間チェックポイントを提供しており、これらはHugging Face上にブランチとしてホストされています。

ピュシアモデルセットは、大規模言語モデルに関する科学的研究、特に解釈可能性の研究を促進するために意図的に設計されています。下流のパフォーマンスを設計目標として中心に置いていないにもかかわらず、これらのモデルは同じサイズの類似モデル（OPTやGPT - Neoセットのモデルなど）と同等またはそれ以上のパフォーマンスを示すことがわかっています。

🚀 クイックスタート

ピュシアモデルは、以下のコードを使用してロードおよび使用できます。ここでは、3番目のpythia - 70m - dedupedチェックポイントを例に示します。

from transformers import GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

tokenizer = AutoTokenizer.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

inputs = tokenizer("Hello, I am", return_tensors="pt")
tokens = model.generate(**inputs)
tokenizer.decode(tokens[0])

リビジョン/ブランチstep143000は、各モデルのmainブランチ上のモデルチェックポイントに正確に対応しています。
すべてのピュシアモデルの使用方法の詳細については、GitHub上のドキュメントを参照してください。

✨ 主な機能

• 大規模言語モデルの解釈可能性の研究を促進するために設計されたモデルセット。
• 同じサイズの類似モデルと同等またはそれ以上のパフォーマンスを示す。
• 各モデルに154の中間チェックポイントを提供し、Hugging Face上にブランチとしてホストされている。

📚 ドキュメント

モデル詳細

使用方法と制限

想定される使用法

ピュシアの主な想定使用法は、大規模言語モデルの振る舞い、機能、および制限に関する研究です。このセットは、科学的実験を行うためのコントロールされた環境を提供することを目的としています。また、各モデルについて154のチェックポイントを提供しています。初期のstep0、10個の対数間隔のチェックポイントstep{1,2,4...512}、およびstep1000からstep143000までの143個の等間隔のチェックポイントです。これらのチェックポイントは、Hugging Face上にブランチとしてホストされています。ブランチ143000は、各モデルのmainブランチ上のモデルチェックポイントに正確に対応しています。

また、ピュシア - 6.9Bをデプロイのためにさらにファインチューニングして適用することもできますが、使用はApache 2.0ライセンスに準拠する必要があります。ピュシアモデルは、Hugging FaceのTransformersライブラリと互換性があります。事前学習されたピュシア - 6.9Bをファインチューニングしたモデルの基礎として使用することを決めた場合は、独自のリスクとバイアス評価を行ってください。

想定外の使用法

ピュシアセットはデプロイを目的としていません。それ自体が製品ではなく、人間との対話には使用できません。たとえば、モデルは有害または不快なテキストを生成する可能性があります。特定のユースケースに関連するリスクを評価してください。

ピュシアモデルは英語のみを対象としており、翻訳や他の言語のテキスト生成には適していません。

ピュシア - 6.9Bは、言語モデルが一般的にデプロイされる下流のコンテキスト（ジャンルの散文の執筆や商用チャットボットなど）に対してファインチューニングされていません。これは、ピュシア - 6.9Bが、ChatGPTのような製品のように与えられたプロンプトに応答しないことを意味します。これは、ChatGPTは人間のフィードバックによる強化学習（RLHF）などの方法を使用してファインチューニングされ、人間の指示をよりよく「従う」ようになっているのに対し、このモデルはそうではないからです。

制限とバイアス

大規模言語モデルの核心機能は、テキストの文字列を受け取り、次のトークンを予測することです。モデルが使用するトークンは、最も「正確な」テキストを生成する必要はありません。決してピュシア - 6.9Bに事実上正確な出力を生成することを依存しないでください。

このモデルは、the Pileという、不適切な表現や下品または不快なテキストを含むことが知られているデータセットでトレーニングされています。性別、宗教、および人種に関する文書化されたバイアスについての議論は、the Pile論文のセクション6を参照してください。ピュシア - 6.9Bは、プロンプト自体に明示的に不快な内容が含まれていなくても、社会的に受け入れられないまたは望ましくないテキストを生成する可能性があります。

たとえば、ホストされた推論APIを通じて生成されたテキストを使用する予定の場合は、他の人に提示する前に、この言語モデルの出力を人間が精査することをおすすめします。テキストがピュシア - 6.9Bによって生成されたことを聴衆に知らせてください。

トレーニング

トレーニングデータ

The Pileは、825GiBの汎用英語データセットです。これは、EleutherAIによって大規模言語モデルのトレーニング用に特別に作成されました。このデータセットには、22の多様なソースからのテキストが含まれており、大まかに5つのカテゴリに分けられます。学術論文（例：arXiv）、インターネット（例：CommonCrawl）、散文（例：Project Gutenberg）、対話（例：YouTube字幕）、およびその他（例：GitHub、Enron Emails）です。すべてのデータソースの内訳、方法論、および倫理的な影響に関する議論については、the Pile論文を参照してください。The Pileとその構成データセットに関するより詳細なドキュメントについては、データシートを参照してください。The Pileは、公式ウェブサイトまたは[コミュニティミラー](https://the - eye.eu/public/AI/pile/)からダウンロードできます。
The Pileは、ピュシア - 6.9Bのトレーニングに使用される前に重複排除されていません。

トレーニング手順

すべてのモデルは、まったく同じデータをまったく同じ順序でトレーニングされています。各モデルは、トレーニング中に299,892,736,000トークンを見ました。各モデルについて143のチェックポイントが、2,097,152,000トークンごとに保存されており、トレーニング全体を通じて等間隔に配置されています。step1000からstep143000（mainと同じ）までです。さらに、頻繁な初期チェックポイントstep0とstep{1,2,4...512}も提供しています。 これは、重複排除されていないモデルについてはThe Pile上で1エポック弱のトレーニングに相当し、重複排除されたThe Pileについては約1.5エポックのトレーニングに相当します。

すべてのピュシアモデルは、バッチサイズ2M（2,097,152トークン）で143000ステップトレーニングされました。
トレーニング手順の詳細（[再現方法](https://github.com/EleutherAI/pythia/blob/main/README.md#reproducing - training)を含む）については、GitHubを参照してください。
ピュシアは、[GPT - NeoX - 20B](https://huggingface.co/EleutherAI/gpt - neox - 20b)と同じトークナイザーを使用しています。

評価

すべての16個のピュシアモデルは、[LM Evaluation Harness](https://github.com/EleutherAI/lm - evaluation - harness)を使用して評価されました。モデルとステップごとの結果にアクセスするには、GitHubリポジトリのresults/json/*を参照してください。
以下のセクションを展開すると、すべてのピュシアおよびピュシア重複排除済みモデルの評価結果のプロットを、OPTおよびBLOOMと比較して見ることができます。

LAMBADA – OpenAI

Physical Interaction: Question Answering (PIQA)

WinoGrande

AI2 Reasoning Challenge—Easy Set

SciQ

変更履歴

このセクションでは、以前にリリースされたPythia v0と現在のモデルの違いを比較しています。これらの変更とその背後にある動機についての詳細な議論は、ピュシア論文の付録Bを参照してください。ピュシアを再トレーニングしてもベンチマークパフォーマンスに影響はないことがわかりました。

• すべてのモデルサイズが、均一なバッチサイズ2Mトークンでトレーニングされるようになりました。以前は、160M、410M、および1.4Bパラメータのモデルは、バッチサイズ4Mトークンでトレーニングされていました。
• 初期化時（ステップ0）とステップ{1,2,4,8,16,32,64,128,256,512}にチェックポイントを追加しました。さらに、トレーニングステップ1000ごとにもチェックポイントを追加しました。
• 新しい再トレーニングされたセットでは、Flash Attentionが使用されました。
• 元のセットに存在していたわずかな不一致を修正しました。2.8Bパラメータ以下のすべてのモデルは、学習率（LR）スケジュールが開始LRの10％まで減衰するものを使用していましたが、6.9Bおよび12Bモデルはすべて、LRが0まで減衰するスケジュールを使用していました。再トレーニングでは、この不一致を修正しました。すべてのモデルが、LRが最大LRの0.1倍まで減衰するようにトレーニングされるようになりました。

命名規則とパラメータ数

ピュシアモデルは2023年1月に名称が変更されました。誤って古い命名規則が一部のドキュメントに残っている可能性があります。現在の命名規則（70M、160Mなど）は、総パラメータ数に基づいています。

📄 ライセンス

このプロジェクトは、Apache 2.0ライセンスの下でライセンスされています。