Llama 3 8B Instruct 262k

🚀 Llama-3 8B Gradient Instruct 262k

Llama-3 8B Gradient Instruct 262k 模型由 Gradient 開發，在 Llama-3 8B 基礎上，將上下文長度從 8k 擴展到超 160K。通過調整 RoPE theta，該模型用少量訓練數據（< 2 億個令牌）就能處理長上下文。此外，模型經過進一步微調，增強了類助手的聊天能力。

🚀 快速開始

加入我們的自定義代理和長上下文（262k - 1M+）等待列表：點擊加入

Gradient 可整合你的數據，部署能驅動你業務關鍵運營的自主助手。若想了解更多或合作開發自定義模型，請發郵件至 contact@gradient.ai。

加入我們的 Discord

✨ 主要特性

• 長上下文處理能力：將 Llama-3 8B 的上下文長度從 8k 擴展到超 160K，能處理更長的文本輸入。
• 優化的 RoPE theta：通過 NTK 感知插值初始化 RoPE theta 的最佳調度，再結合新的數據驅動優化技術。
• 漸進式訓練：類似於 Large World Model 進行漸進式訓練，逐步增加上下文長度。
• 增強的聊天能力：經過進一步微調，模型的類助手聊天能力得到加強。

📦 安裝指南

使用 huggingface-cli 下載原始檢查點

huggingface-cli download meta-llama/Meta-Llama-3-8B-Instruct --include "original/*" --local-dir Meta-Llama-3-8B-Instruct

對於 Hugging Face 支持

推薦使用 transformers 或 TGI，類似的命令也適用。

💻 使用示例

使用 transformers

Transformers 管道

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3-8B-Instruct"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompt = pipeline.tokenizer.apply_chat_template(
        messages, 
        tokenize=False, 
        add_generation_prompt=True
)

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

outputs = pipeline(
    prompt,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][len(prompt):])

Transformers AutoModelForCausalLM

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "meta-llama/Meta-Llama-3-8B-Instruct"

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

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

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))

使用 llama3

請遵循 倉庫 中的說明。

📚 詳細文檔

模型詳情

Meta 開發併發布了 Meta Llama 3 系列大語言模型（LLMs），包括 8B 和 70B 大小的預訓練和指令微調生成文本模型。Llama 3 指令微調模型針對對話用例進行了優化，在常見行業基準測試中表現優於許多可用的開源聊天模型。

預期用途

• 預期用例：Llama 3 旨在用於英語商業和研究用途。指令微調模型適用於類助手聊天，而預訓練模型可用於各種自然語言生成任務。
• 超出範圍：以任何違反適用法律法規（包括貿易合規法律）的方式使用。以《可接受使用政策》和《Llama 3 社區許可證》禁止的任何其他方式使用。使用英語以外的語言。

訓練數據

• 概述：Llama 3 在來自公開可用來源的超過 15 萬億個令牌的數據上進行了預訓練。微調數據包括公開可用的指令數據集，以及超過 1000 萬個經過人工標註的示例。預訓練和微調數據集均不包括 Meta 用戶數據。
• 數據新鮮度：預訓練數據的截止日期分別為 7B 模型的 2023 年 3 月和 70B 模型的 2023 年 12 月。

基準測試

在本節中，我們報告了 Llama 3 模型在標準自動基準測試中的結果。所有評估均使用我們的內部評估庫。有關方法的詳細信息，請參閱 此處。

基礎預訓練模型

指令微調模型

責任與安全

我們認為開放的 AI 方法可以帶來更好、更安全的產品，更快的創新和更大的整體市場。我們致力於負責任的 AI 開發，並採取了一系列措施來限制濫用和危害，支持開源社區。

Llama 3-Instruct

• 安全：對於我們的指令微調模型，我們進行了廣泛的紅隊測試、對抗性評估，並實施了安全緩解技術以降低殘留風險。
• 拒絕：我們非常重視模型對良性提示的拒絕情況。我們改進了微調過程，確保 Llama 3 比 Llama 2 更不可能錯誤地拒絕回答提示。

負責任的發佈

在發佈決策之前，我們遵循了嚴格的流程，採取了額外的措施來防止濫用和關鍵風險。

社區

生成式 AI 安全需要專業知識和工具，我們相信開放社區的力量可以加速其發展。我們是開放聯盟的積極成員，鼓勵社區採用 MLCommons 概念驗證評估等分類法，促進安全和內容評估的協作和透明度。

🔧 技術細節

方法

• 以 meta-llama/Meta-Llama-3-8B-Instruct 為基礎。
• 使用 NTK 感知插值初始化 RoPE theta 的最佳調度，然後採用新的數據驅動 RoPE theta 優化技術。
• 類似於 Large World Model 進行漸進式訓練，逐步增加上下文長度。

基礎設施

我們基於 EasyContext Blockwise RingAttention 庫 [3] 進行構建，以便在 Crusoe Energy 高性能 L40S 集群上可擴展且高效地訓練長達 262144 個令牌的上下文。

量化版本和 GGUF

GGUF 可在 Crusoe 的 Hugging Face 賬戶上獲取：crusoeai/Llama-3-8B-Instruct-262k-GGUF

Exl2 量化版本

Exl2 可在 Bullerwins 的 Hugging Face 賬戶上獲取：

• 8.0bpw exl2
• 6.0bpw exl2
• 5.0bpw exl2

漸進式訓練細節

評估細節

EVAL_MAX_CONTEXT_LENGTH=320200
EVAL_MIN_CONTEXT_LENGTH=100
EVAL_CONTEXT_INTERVAL=16000
EVAL_DEPTH_INTERVAL=0.2
EVAL_NUM_SAMPLES=2
EVAL_RND_NUMBER_DIGITS=8

HAYSTACK:
    EVAL_GENERATOR_TOKENS=925000

硬件和軟件

• 訓練因素：我們使用自定義訓練庫、Meta 的研究超級集群和生產集群進行預訓練。微調、標註和評估也在第三方雲計算上進行。
• 碳足跡：預訓練在 H100 - 80GB 類型的硬件上累計使用了 770 萬個 GPU 小時的計算資源。估計總排放量為 2290 tCO2eq，其中 100% 由 Meta 的可持續發展計劃抵消。

📄 許可證

本模型的許可證為 llama3，自定義商業許可證可在 https://llama.meta.com/llama3/license 獲取。

引用

@misc{gradientlongcontextllama3,
  title={Llama 3 Gradient: A series of long context models},
  author={Leonid Pekelis and Michael Feil and Forrest Moret and Mark Huang and Tiffany Peng},
  year={2024},
  url = {https://gradient.ai/blog/scaling-rotational-embeddings-for-long-context-language-models}
}

貢獻者

Aaditya Singh; Aaron Grattafiori; Abhimanyu Dubey; Abhinav Jauhri; Abhinav Pandey; Abhishek Kadian; Adam Kelsey; Adi Gangidi; Ahmad Al-Dahle; Ahuva Goldstand; Aiesha Letman; Ajay Menon; Akhil Mathur; Alan Schelten; Alex Vaughan; Amy Yang; Andrei Lupu; Andres Alvarado; Andrew Gallagher; Andrew Gu; Andrew Ho; Andrew Poulton; Andrew Ryan; Angela Fan; Ankit Ramchandani; Anthony Hartshorn; Archi Mitra; Archie Sravankumar; Artem Korenev; Arun Rao; Ashley Gabriel; Ashwin Bharambe; Assaf Eisenman; Aston Zhang; Aurelien Rodriguez; Austen Gregerson; Ava Spataru; Baptiste Roziere; Ben Maurer; Benjamin Leonhardi; Bernie Huang; Bhargavi Paranjape; Bing Liu; Binh Tang; Bobbie Chern; Brani Stojkovic; Brian Fuller; Catalina Mejia Arenas; Chao Zhou; Charlotte Caucheteux; Chaya Nayak; Ching-Hsiang Chu; Chloe Bi; Chris Cai; Chris Cox; Chris Marra; Chris McConnell; Christian Keller; Christoph Feichtenhofer; Christophe Touret; Chunyang Wu; Corinne Wong; Cristian Canton Ferrer; Damien Allonsius; Daniel Kreymer; Daniel Haziza; Daniel Li; Danielle Pintz; Danny Livshits; Danny Wyatt; David Adkins; David Esiobu; David Xu; Davide Testuggine; Delia David; Devi Parikh; Dhruv Choudhary; Dhruv Mahajan; Diana Liskovich; Diego Garcia-Olano; Diego Perino; Dieuwke Hupkes; Dingkang Wang; Dustin Holland; Egor Lakomkin; Elina Lobanova; Xiaoqing Ellen Tan; Emily Dinan; Eric Smith; Erik Brinkman; Esteban Arcaute; Filip Radenovic; Firat Ozgenel; Francesco Caggioni; Frank Seide; Frank Zhang; Gabriel Synnaeve; Gabriella Schwarz; Gabrielle Lee; Gada Badeer; Georgia Anderson; Graeme Nail; Gregoire Mialon; Guan Pang; Guillem Cucurell; Hailey Nguyen; Hannah Korevaar; Hannah Wang; Haroun Habeeb; Harrison Rudolph; Henry Aspegren; Hu Xu; Hugo Touvron; Iga Kozlowska; Igor Molybog; Igor Tufanov; Iliyan Zarov; Imanol Arrieta Ibarra; Irina-Elena Veliche; Isabel Kloumann; Ishan Misra; Ivan Evtimov; Jacob Xu; Jade Copet; Jake Weissman; Jan Geffert; Jana Vranes; Japhet Asher; Jason Park; Jay Mahadeokar; Jean-Baptiste Gaya; Jeet Shah; Jelmer van der Linde; Jennifer Chan; Jenny Hong; Jenya Lee; Jeremy Fu; Jeremy Teboul; Jianfeng Chi; Jianyu Huang; Jie Wang; Jiecao Yu; Joanna Bitton; Joe Spisak; Joelle Pineau; Jon Carvill; Jongsoo Park; Joseph Rocca; Joshua Johnstun; Junteng Jia; Kalyan Vasuden Alwala; Kam Hou U; Kate Plawiak; Kartikeya Upasani; Kaushik Veeraraghavan; Ke Li; Kenneth Heafield; Kevin Stone; Khalid El-Arini; Krithika Iyer; Kshitiz Malik; Kuenley Chiu; Kunal Bhalla; Kyle Huang; Lakshya Garg; Lauren Rantala-Yeary; Laurens van der Maaten; Lawrence Chen; Leandro Silva; Lee Bell; Lei Zhang; Liang Tan; Louis Martin; Lovish Madaan; Luca Wehrstedt; Lukas Blecher; Luke de Oliveira; Madeline Muzzi; Madian Khabsa; Manav Avlani; Mannat Singh; Manohar Paluri; Mark Zuckerberg; Marcin Kardas; Martynas Mankus; Mathew Oldham; Mathieu Rita; Matthew Lennie; Maya Pavlova; Meghan Keneally; Melanie Kambadur; Mihir Patel; Mikayel Samvelyan; Mike Clark; Mike Lewis; Min Si; Mitesh Kumar Singh; Mo Metanat; Mona Hassan; Naman Goyal; Narjes Torabi; Nicolas Usunier; Nikolay Bashlykov; Nikolay Bogoychev; Niladri Chatterji; Ning Dong; Oliver Aobo Yang; Olivier Duchenne; Onur Celebi; Parth Parekh; Patrick Alrassy; Paul Saab; Pavan Balaji; Pedro Rittner; Pengchuan Zhang; Pengwei Li; Petar Vasic; Peter Weng; Polina Zvyagina; Prajjwal Bhargava; Pratik Dubal; Praveen Krishnan; Punit Singh Koura; Qing He; Rachel Rodriguez; Ragavan Srinivasan; Rahul Mitra; Ramon Calderer; Raymond Li; Robert Stojnic; Roberta Raileanu; Robin Battey; Rocky Wang; Rohit Girdhar; Rohit Patel; Romain Sauvestre; Ronnie Polidoro; Roshan Sumbaly; Ross Taylor; Ruan Silva; Rui Hou; Rui Wang; Russ Howes; Ruty Rinott; Saghar Hosseini; Sai Jayesh Bondu; Samyak Datta; Sanjay Singh; Sara Chugh; Sargun Dhillon; Satadru Pan; Sean Bell; Sergey Edunov; Shaoliang Nie; Sharan Narang; Sharath Raparthy; Shaun Lindsay; Sheng Feng; Sheng Shen; Shenghao Lin; Shiva Shankar; Shruti Bhosale; Shun Zhang; Simon Vandenhende; Sinong Wang; Seohyun Sonia Kim; Soumya Batra; Sten Sootla; Steve Kehoe; Suchin Gururangan; Sumit Gupta; Sunny Virk; Sydney Borodinsky; Tamar Glaser; Tamar Herman; Tamara Best; Tara Fowler; Thomas Georgiou; Thomas Scialom; Tianhe Li; Todor Mihaylov; Tong Xiao; Ujjwal Karn; Vedanuj Goswami; Vibhor Gupta; Vignesh Ramanathan; Viktor Kerkez; Vinay Satish Kumar; Vincent Gonguet; Vish Vogeti; Vlad Poenaru; Vlad Tiberiu Mihailescu; Vladan Petrovic; Vladimir Ivanov; Wei Li; Weiwei Chu; Wenhan Xiong; Wenyin Fu; Wes Bouaziz; Whitney Meers; Will Constable; Xavier Martinet; Xiaojian Wu; Xinbo Gao; Xinfeng Xie; Xuchao Jia; Yaelle Goldschlag; Yann LeCun; Yashesh Gaur; Yasmine Babaei; Ye Qi; Yenda Li; Yi Wen; Yiwen Song; Youngjin Nam; Yuchen Hao; Yuchen Zhang; Yun Wang; Yuning Mao; Yuzi He; Zacharie Delpierre Coudert; Zachary DeVito; Zahra Hankir; Zhaoduo Wen; Zheng Yan; Zhengxing Chen; Zhenyu Yang; Zoe Papakipos