Mentallama Chat 13B

🚀 MentaLLaMA-chat-13B

MentaLLaMA-chat-13B是首个具备指令遵循能力、可用于可解释心理健康分析的开源大语言模型（LLM）系列 MentaLLaMA 项目的一部分。该模型基于Meta的LLaMA2-chat-13B基础模型和完整的IMHI指令调优数据进行微调。模型有望针对各种心理健康状况进行复杂的心理健康分析，并为其每个预测提供可靠的解释。它在包含75K条高质量自然语言指令的IMHI数据集上进行微调，以提升其在下游任务中的性能。

🚀 快速开始

MentaLLaMA-chat-13B是首个具备指令遵循能力、可用于可解释心理健康分析的开源大语言模型（LLM）系列的一部分。该模型基于Meta的LLaMA2-chat-13B基础模型和完整的IMHI指令调优数据进行微调。

✨ 主要特性

• 基于Meta的LLaMA2-chat-13B基础模型和完整的IMHI指令调优数据进行微调。
• 有望针对各种心理健康状况进行复杂的心理健康分析，并为其每个预测提供可靠的解释。
• 在包含75K条高质量自然语言指令的IMHI数据集上进行微调，以提升其在下游任务中的性能。
• 在包含20K个测试样本的IMHI基准测试中进行了全面评估，结果表明MentaLLaMA在正确性方面接近最先进的判别方法，并能生成高质量的解释。

💻 使用示例

基础用法

from transformers import LlamaTokenizer, LlamaForCausalLM
tokenizer = LlamaTokenizer.from_pretrained('klyang/MentaLLaMA-chat-13B')
model = LlamaForCausalLM.from_pretrained('klyang/MentaLLaMA-chat-13B', device_map='auto')

在这个示例中，使用LlamaTokenizer加载分词器，使用LlamaForCausalLM加载模型。device_map='auto'参数用于在可用时自动使用GPU。

📚 详细文档

伦理考量

尽管MentaLLaMA在可解释心理健康分析方面的实验显示出了有前景的性能，但我们强调，所有预测结果和生成的解释仅应用于非临床研究，寻求帮助者应从专业精神科医生或临床从业者那里获得帮助。此外，最近的研究表明，大语言模型可能会引入一些潜在的偏差，如性别差距。同时，一些错误的预测结果、不恰当的解释和过度概括也说明了当前大语言模型存在的潜在风险。因此，将该模型应用于实际场景的心理健康监测系统仍面临许多挑战。

MentaLLaMA中的其他模型

除了MentaLLaMA-chat-13B，MentaLLaMA项目还包括其他模型：MentaLLaMA-chat-7B、MentalBART和MentalT5。

• MentaLLaMA-chat-7B：该模型基于Meta的LLaMA2-chat-7B基础模型和完整的IMHI指令调优数据进行微调。训练数据涵盖10个心理健康分析任务。
• MentalBART：该模型基于BART-large基础模型和完整的IMHI完成数据进行微调。训练数据涵盖10个心理健康分析任务。该模型不具备指令遵循能力，但更轻量级，在基于完成的可解释心理健康分析中表现良好。
• MentalT5：该模型基于T5-large基础模型和完整的IMHI完成数据进行微调。训练数据涵盖10个心理健康分析任务。该模型不具备指令遵循能力，但更轻量级，在基于完成的可解释心理健康分析中表现良好。

📄 许可证

MentaLLaMA-chat-13B采用MIT许可证。更多详情请参阅MIT文件。

📚 引用

如果您在工作中使用了MentaLLaMA-chat-7B，请引用我们的论文：

@misc{yang2023mentalllama,
      title={MentalLLaMA: Interpretable Mental Health Analysis on Social Media with Large Language Models}, 
      author={Kailai Yang and Tianlin Zhang and Ziyan Kuang and Qianqian Xie and Sophia Ananiadou},
      year={2023},
      eprint={2309.13567},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

⚠️ 重要提示

所有预测结果和生成的解释仅应用于非临床研究，寻求帮助者应从专业精神科医生或临床从业者那里获得帮助。

💡 使用建议

在使用模型时，需注意大语言模型可能引入的潜在偏差，如性别差距等问题。同时，要警惕可能出现的错误预测结果、不恰当解释和过度概括等情况。