Ichigo Llama3.1 S Instruct V0.4

🚀 Ichigo-llama3s 模型

Ichigo-llama3s 模型家族由 Homebrew Research 開發併發布，該模型家族能夠原生理解音頻和文本輸入。此模型在聲音理解能力上有顯著提升，可有效處理多輪語音對話，並能在嘈雜環境中保持良好性能，適用於多種研究應用場景。

🚀 快速開始

你可以通過 Google Colab Notebook 來試用這個模型。

首先，我們需要將音頻文件轉換為聲音令牌：

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，我們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

• 多模態輸入理解：原生支持音頻和文本輸入，能夠處理複雜的多模態信息。
• 增強的聲音處理能力：在多輪語音對話和嘈雜環境下表現出色，具有更好的魯棒性。
• 廣泛的應用場景：主要用於研究領域，可推動聲音理解相關技術的發展。

📚 詳細文檔

模型詳情

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

此模型是 homebrewltd/Ichigo-llama3.1-s-base-v0.3 的監督微調（SFT）版本，在來自 Instruction Speech WhisperVQ v4 數據集的超過 10 億個標記上進行訓練。該數據集基於 Instruction Speech WhisperVQ v3 構建，增加了多輪語音對話和噪聲抑制能力，從而提高了性能。因此，該模型在面對嘈雜的環境輸入時表現出更強的魯棒性，並增強了多輪對話能力，使其在實際應用中更加可靠。

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高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。

🔧 技術細節

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 評估結果

AudioBench 評估結果

硬件

GPU 配置：8 塊 NVIDIA H100 - SXM - 80GB 組成的集群。

GPU 使用情況：

• 持續訓練：12 小時。

訓練參數

我們使用 torchtune 庫實現最新的 FSDP2 訓練代碼。

📄 許可證

本項目採用 Apache-2.0 許可證。

📖 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