Cantonesellmchat V1.0 7B

🚀 粵語LLMチャット-v1.0-7B

Cantonese LLM Chat v1.0は、hon9kon9izeによる初代広東語LLMです。v0.5プレビューの成功を踏まえ、このモデルは香港関連の特定の知識と広東語会話に優れています。

📚 モデルの説明

ベースモデルは、Qwen 2.5 7Bを6億件の公開されている香港のニュース記事と広東語ウェブサイトで継続的に事前学習して得られました。命令微調整モデルは、75,000の命令ペアからなるデータセットで学習されました。そのうち45,000ペアは他のLLMによって生成され、人間によってレビューされた広東語の命令です。

このモデルは、玄海スーパーコンピュータ上の1台のNvidia H100 80GB HBM3 GPUで学習されました。

💻 使用例

基本的な使用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "hon9kon9ize/CantoneseLLMChat-v1.0-7B"

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

def chat(messages, temperature=0.9, max_new_tokens=200):
    input_ids = tokenizer.apply_chat_template(conversation=messages, tokenize=True, add_generation_prompt=True, return_tensors='pt').to('cuda:0')
    output_ids = model.generate(input_ids, max_new_tokens=max_new_tokens, temperature=temperature)
    response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=False)
    return response

prompt = "邊個係香港特首？"

messages = [
    {"role": "system", "content": "you are a helpful assistant."},
    {"role": "user", "content": prompt}
]

print(chat(messages)) # 香港特別行政區行政長官係李家超。<|im_end|>

📊 性能

このモデルは、HK-Evalベンチマークにおいて、広東語と香港文化の理解においてクラス最高のオープンソースLLMです。ただし、推論モデルは他のモデルよりも劇的に優れた性能を発揮しています。現在、v2の推論モデルの開発に取り組んでいます。

📄 ライセンス

Other