Dorna Llama3 8B Instruct Quantized4Bit

🚀 多納-llama3-8B指令量化4位模型

本項目是一個專為高效內存使用而設計的模型倉庫，提供了 多納-llama3-8B指令 模型的4位量化版本。多納模型是一個僅解碼器模型，專門針對波斯語數據進行了訓練和微調。此外，它還集成了 Flash Attention 2 技術，以實現更快的推理速度。

🚀 快速開始

你可以使用Transformers的自動類和 generate() 函數進行對話推理。以下是一個使用示例：

import torch
import transformers
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "amirMohammadi/Dorna-Llama3-8B-Instruct-Quantized4Bit"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system",
     "content": "You are a helpful Persian assistant. Please answer questions in the asked language."},
    {"role": "user", "content": "اصفهان بزرگ تر است یا قم؟"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = model.generate(
    input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

✨ 主要特性

• 減少內存使用：4位量化降低了內存需求。
• 更快的推理速度：Flash Attention 2加速了處理過程。
• 易於部署：無需額外的庫，如LlamaCPP或Candle。
• 即插即用：與Langchain、Haystack、LlamaIndex 2等兼容。
• 對Google Colab友好：可以在配備T4 GPU（GPU內存小於15GB）的Google Colab免費層上運行。

📚 詳細文檔

非量化版本的評估

本模型在各種任務的問題上進行了評估，包括布爾問題、代碼生成、長文本響應、數學、新聞問答、釋義、常識問答和摘要等。大多數類別通常有兩個主要難度級別：困難和簡單。

評估包括人工評估和自動評估（以GPT - 4作為評判）。

在以下表格中，Dorna - 8B - it 是 Dorna - Llama3 - 8B - Instruct 的縮寫形式。

整體人工評估結果

基於類別的人工評估結果

每個類別報告了勝/敗/平局的百分比。

自動評估結果

📄 許可證

本項目使用Llama3許可證。

💬 聯繫我們

如果您對本模型有任何疑問，可以通過 Hugging Face社區 與我們聯繫。