Mini Ichigo Llama3.2 3B S Instruct

🚀 [Ichigo-llama3s模型]

[Ichigo-llama3s] 模型家族由 Homebrew Research 開發併發布，該家族模型能夠原生理解音頻和文本輸入，拓展了語義標記實驗，在音頻理解能力上有獨特優勢，主要用於研究應用。

🚀 快速開始

你可以通過 Google Colab Notebook 嘗試使用此模型。

首先，需要將音頻文件轉換為聲音標記：

device = "cuda" if torch.cuda.is_available() else "cpu"
if not os.path.exists("whisper-vq-stoks-medium-en+pl-fixed.model"):
    hf_hub_download(
        repo_id="jan-hq/WhisperVQ",
        filename="whisper-vq-stoks-medium-en+pl-fixed.model",
        local_dir=".",
    )
vq_model = RQBottleneckTransformer.load_model(
        "whisper-vq-stoks-medium-en+pl-fixed.model"
    ).to(device)
vq_model.ensure_whisper(device)
def audio_to_sound_tokens(audio_path, target_bandwidth=1.5, device=device):

    wav, sr = torchaudio.load(audio_path)
    if sr != 16000:
        wav = torchaudio.functional.resample(wav, sr, 16000)
    with torch.no_grad():
        codes = vq_model.encode_audio(wav.to(device))
        codes = codes[0].cpu().tolist()

    result = ''.join(f'<|sound_{num:04d}|>' for num in codes)
    return f'<|sound_start|>{result}<|sound_end|>'

然後，可以像使用其他大語言模型一樣對該模型進行推理：

def setup_pipeline(model_path, use_4bit=False, use_8bit=False):
    tokenizer = AutoTokenizer.from_pretrained(model_path)

    model_kwargs = {"device_map": "auto"}

    if use_4bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type="nf4",
        )
    elif use_8bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_8bit=True,
            bnb_8bit_compute_dtype=torch.bfloat16,
            bnb_8bit_use_double_quant=True,
        )
    else:
        model_kwargs["torch_dtype"] = torch.bfloat16

    model = AutoModelForCausalLM.from_pretrained(model_path, **model_kwargs)

    return pipeline("text-generation", model=model, tokenizer=tokenizer)

def generate_text(pipe, messages, max_new_tokens=64, temperature=0.0, do_sample=False):
    generation_args = {
        "max_new_tokens": max_new_tokens,
        "return_full_text": False,
        "temperature": temperature,
        "do_sample": do_sample,
    }

    output = pipe(messages, **generation_args)
    return output[0]['generated_text']

# Usage
llm_path = "homebrewltd/llama3.1-s-instruct-v0.2"
pipe = setup_pipeline(llm_path, use_8bit=True)

✨ 主要特性

• 多模態輸入：原生支持音頻和文本輸入。
• 語義標記拓展：使用 WhisperVQ 作為音頻文件的標記器，拓展了語義標記實驗。

📚 詳細文檔

模型詳情

我們開發併發布了 Ichigo-llama3s 模型家族，該家族模型能夠原生理解音頻和文本輸入。

我們從 homebrewltd/mini-Ichigo-llama3.2-3B-s-base 開始，使用 Instruction Speech WhisperVQ v3 數據集中近 10 億個標記，將 WhisperVQ 作為音頻文件的標記器，拓展了語義標記實驗。

模型開發者：Homebrew Research。 輸入：文本和聲音。 輸出：文本。 模型架構：Llama - 3。 語言：英語。

預期用途

預期用例：該模型家族主要用於研究應用，此版本旨在進一步提升大語言模型的聲音理解能力。 禁止用途：嚴禁以任何違反適用法律法規的方式使用 llama3 - s。

訓練過程

訓練指標圖像

以下是訓練損失曲線的可視化快照：

MMLU 評估

AudioBench 評估

硬件

GPU 配置：10 個 NVIDIA A6000 - 48GB GPU 集群。 GPU 使用情況：

• 微調：12 小時。

訓練參數

我們使用 torchtune 庫實現最新的 FSDP2 訓練代碼。

示例

良好示例

誤解示例

偏離示例

引用信息

BibTeX：

@article{Llama3-S: Sound Instruction Language Model 2024,
  title={Llama3-S},
  author={Homebrew Research},
  year=2024,
  month=August,
  url={https://huggingface.co/homebrewltd/llama3.1-s-2024-08-20}

致謝

• WhisperSpeech
• [Meta - Llama - 3.1 - 8B - Instruct ](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B - Instruct)

📄 許可證

本項目採用 apache - 2.0 許可證。