Stablebeluga2

🚀 Stable Beluga 2

Stable Beluga 2は、Llama2 70BモデルをOrcaスタイルのデータセットでファインチューニングしたモデルです。このモデルは、指示に非常に良く従うAIで、できる限り多くの支援を提供します。

🚀 クイックスタート

このフォークの変更点

このリポジトリには、stabilityai/StableBeluga2 リポジトリのモデルが含まれており、以下の変更が加えられています。

1. 重みをbfloat16で保存する: これにより、ファイルサイズが2分の1になり、品質の損失はわずかです。この損失は、Petalsでデフォルトで使用されるNF4量子化による損失と比較しても重要ではありません。
2. 重みを小さなシャードに保存する: 各トランスフォーマーブロックは独自のシャード（各1.71 GB）に保存されます。入力と出力の埋め込みおよび隣接するレイヤーノルムも別のシャード（1.05 GB）に保存されます。これにより、Petalsのクライアントとサーバーは、実際に使用するレイヤー以外の余分なデータをダウンロードする必要がなくなります。
3. Pickleの代わりにSafetensorsを使用する: これにより、より少ないRAM要件で高速に読み込むことができます。

使用方法

以下のコードスニペットを使用して、Stable Beluga 2とチャットを開始しましょう。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

tokenizer = AutoTokenizer.from_pretrained("stabilityai/StableBeluga2", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("stabilityai/StableBeluga2", torch_dtype=torch.float16, low_cpu_mem_usage=True, device_map="auto")
system_prompt = "### System:\nYou are Stable Beluga, an AI that follows instructions extremely well. Help as much as you can. Remember, be safe, and don't do anything illegal.\n\n"

message = "Write me a poem please"
prompt = f"{system_prompt}### User: {message}\n\n### Assistant:\n"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
output = model.generate(**inputs, do_sample=True, top_p=0.95, top_k=0, max_new_tokens=256)

print(tokenizer.decode(output[0], skip_special_tokens=True))

Stable Beluga 2は、以下のプロンプト形式で使用する必要があります。

### System:
This is a system prompt, please behave and help the user.

### User:
Your prompt here

### Assistant:
The output of Stable Beluga 2

✨ 主な機能

• Llama2 70Bモデルをベースに、Orcaスタイルのデータセットでファインチューニングされています。
• 指示に非常に良く従い、できる限り多くの支援を提供します。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

tokenizer = AutoTokenizer.from_pretrained("stabilityai/StableBeluga2", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("stabilityai/StableBeluga2", torch_dtype=torch.float16, low_cpu_mem_usage=True, device_map="auto")
system_prompt = "### System:\nYou are Stable Beluga, an AI that follows instructions extremely well. Help as much as you can. Remember, be safe, and don't do anything illegal.\n\n"

message = "Write me a poem please"
prompt = f"{system_prompt}### User: {message}\n\n### Assistant:\n"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
output = model.generate(**inputs, do_sample=True, top_p=0.95, top_k=0, max_new_tokens=256)

print(tokenizer.decode(output[0], skip_special_tokens=True))

高度な使用法

このREADMEには高度な使用法のコード例が記載されていないため、このセクションは省略されます。

📚 ドキュメント

モデルの詳細

トレーニングデータセット

Stable Beluga 2は、内部のOrcaスタイルのデータセットでトレーニングされています。

トレーニング手順

モデルは、前述のデータセットで教師ありファインチューニングによって学習され、混合精度（BF16）でトレーニングされ、AdamWで最適化されています。以下のハイパーパラメータを使用しています。

🔧 技術詳細

このREADMEには具体的な技術詳細が記載されていないため、このセクションは省略されます。

📄 ライセンス

ファインチューニングされたチェックポイント (Stable Beluga 2) は、STABLE BELUGA NON-COMMERCIAL COMMUNITY LICENSE AGREEMENT の下でライセンスされています。

倫理的な考慮事項と制限

Belugaは新しい技術であり、使用に伴うリスクがあります。これまでに行われたテストは英語で行われており、すべてのシナリオを網羅していない、または網羅することができない。これらの理由から、すべての大規模言語モデルと同様に、Belugaの潜在的な出力を事前に予測することはできず、モデルは場合によっては、不正確、偏った、またはその他の不快な応答を生成する可能性があります。したがって、Belugaのアプリケーションを展開する前に、開発者はモデルの特定のアプリケーションに合わせた安全性テストとチューニングを行う必要があります。

引用方法

@misc{StableBelugaModels, 
      url={[https://huggingface.co/stabilityai/StableBeluga2](https://huggingface.co/stabilityai/StableBeluga2)}, 
      title={Stable Beluga models}, 
      author={Mahan, Dakota and Carlow, Ryan and Castricato, Louis and Cooper, Nathan and Laforte, Christian}
}

参考文献

@misc{touvron2023llama,
      title={Llama 2: Open Foundation and Fine-Tuned Chat Models}, 
      author={Hugo Touvron and Louis Martin and Kevin Stone and Peter Albert and Amjad Almahairi and Yasmine Babaei and Nikolay Bashlykov and Soumya Batra and Prajjwal Bhargava and Shruti Bhosale and Dan Bikel and Lukas Blecher and Cristian Canton Ferrer and Moya Chen and Guillem Cucurull and David Esiobu and Jude Fernandes and Jeremy Fu and Wenyin Fu and Brian Fuller and Cynthia Gao and Vedanuj Goswami and Naman Goyal and Anthony Hartshorn and Saghar Hosseini and Rui Hou and Hakan Inan and Marcin Kardas and Viktor Kerkez and Madian Khabsa and Isabel Kloumann and Artem Korenev and Punit Singh Koura and Marie-Anne Lachaux and Thibaut Lavril and Jenya Lee and Diana Liskovich and Yinghai Lu and Yuning Mao and Xavier Martinet and Todor Mihaylov and Pushkar Mishra and Igor Molybog and Yixin Nie and Andrew Poulton and Jeremy Reizenstein and Rashi Rungta and Kalyan Saladi and Alan Schelten and Ruan Silva and Eric Michael Smith and Ranjan Subramanian and Xiaoqing Ellen Tan and Binh Tang and Ross Taylor and Adina Williams and Jian Xiang Kuan and Puxin Xu and Zheng Yan and Iliyan Zarov and Yuchen Zhang and Angela Fan and Melanie Kambadur and Sharan Narang and Aurelien Rodriguez and Robert Stojnic and Sergey Edunov and Thomas Scialom},
      year={2023},
      eprint={2307.09288},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@misc{mukherjee2023orca,
      title={Orca: Progressive Learning from Complex Explanation Traces of GPT-4}, 
      author={Subhabrata Mukherjee and Arindam Mitra and Ganesh Jawahar and Sahaj Agarwal and Hamid Palangi and Ahmed Awadallah},
      year={2023},
      eprint={2306.02707},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}