Youri 7b

🚀 rinna/youri-7b

rinna/youri-7bモデルは、llama2-7bをベースに、日英混合データセットで継続的に事前学習を行ったもので、日本語タスクにおける性能が大幅に向上しています。モデル名は日本神話の生物に由来し、複数の貢献者によって開発され、2023年10月31日に公開されました。

🚀 クイックスタート

このモデルは、Hugging Faceのtransformersライブラリを使用して簡単にロードし、利用することができます。以下は簡単な使用例です。

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/youri-7b")
model = AutoModelForCausalLM.from_pretrained("rinna/youri-7b")

if torch.cuda.is_available():
    model = model.to("cuda")

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)
"""
西田幾多郎は、プラトンの復権を主張し、対する従来の西洋哲学は、近代の合理主義哲学に委ね、「従来の哲学は破 壊されてしまった」と述べている。 西田幾多郎は、西洋近代哲学の「徹底的な検討」を拒んだ。それは、「現代的理解の脆弱性を補う筈の、従来のヨーロッパに伝わる哲学的な方法では到底それができなかったからである」とい
"""

✨ 主な機能

• 継続的事前学習：約40Bの日英混合コーパスでllama2-7bを継続的に事前学習することで、日本語タスクにおけるモデルの性能が大幅に向上しました。
• モデルアーキテクチャ：32層、隠れ層のサイズが4096のTransformerアーキテクチャに基づいています。具体的なアーキテクチャの詳細は、llama2 paperを参照してください。
• 命名の由来：モデル名のyouriは、日本神話の生物である妖狸/ようり/Youriに由来しています。
• 開発情報：EleutherAI/gpt-neoxに基づくコードを使用して訓練され、Tianyu Zhao、Akio Kaga、Kei Sawadaなどの貢献者によって開発され、2023年10月31日に公開されました。

📦 インストール

このモデルを使用するには、transformersライブラリをインストールする必要があります。

pip install transformers torch

💻 使用例

基本的な使用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/youri-7b")
model = AutoModelForCausalLM.from_pretrained("rinna/youri-7b")

if torch.cuda.is_available():
    model = model.to("cuda")

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)

📚 ドキュメント

トークナイザー

このモデルは、元のllama-2トークナイザーを使用しています。

ベンチマークテスト

詳細なベンチマークテスト結果は、rinna's LM benchmark page (Sheet 20231031)を参照してください。

引用方法

@misc{rinna-youri-7b,
    title = {rinna/youri-7b},
    author = {Zhao, Tianyu and Kaga, Akio and Sawada, Kei},
    url = {https://huggingface.co/rinna/youri-7b}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

参考資料

@software{gpt-neox-library,
    title = {{GPT}-{N}eo{X}: Large Scale Autoregressive Language Modeling in {P}y{T}orch},
    author = {Andonian, Alex and Anthony, Quentin and Biderman, Stella and Black, Sid and Gali, Preetham and Gao, Leo and Hallahan, Eric and Levy-Kramer, Josh and Leahy, Connor and Nestler, Lucas and Parker, Kip and Pieler, Michael and Purohit, Shivanshu and Songz, Tri and Phil, Wang and Weinbach, Samuel},
    doi = {10.5281/zenodo.5879544},
    month = {8},
    year = {2021},
    version = {0.0.1},
    url = {https://www.github.com/eleutherai/gpt-neox}
}

評価結果

詳細な評価結果は、Open LLM Leaderboard Evaluation Resultsを参照してください。具体的な結果は以下の通りです。

🔧 技術詳細

• 訓練データ：モデルは約40Bの日英混合コーパスで継続的に事前学習されています。コーパスには、Japanese CC-100、Japanese C4、Japanese OSCAR、The Pile、Wikipedia、rinna curated Japanese datasetが含まれています。
• モデルの初期化：llama2-7bモデルを使用して初期化されています。

📄 ライセンス

このモデルは、The llama2 licenseに従っています。