Sambalingo Serbian Chat

🚀 SambaLingo塞爾維亞語聊天模型

SambaLingo-Serbian-Chat是一個經過人類對齊的聊天模型，支持塞爾維亞語和英語。它基於基礎模型 SambaLingo-Serbian-Base，使用直接偏好優化（Direct Preference Optimization）方法進行訓練。基礎模型通過在 Cultura-X 數據集的塞爾維亞語部分的170億個標記上進行訓練，將 Llama-2-7b 模型適配到塞爾維亞語。你可以在 SambaLingo-chat-space 嘗試使用這個模型。

🚀 快速開始

使用Hugging Face加載模型

加載分詞器時，請確保設置 use_fast=False。

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", torch_dtype="auto")

與模型管道交互

加載分詞器時，請確保設置 use_fast=False。

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", use_fast=False)
messages = [
                {"role": "user", "content": {YOUR_QUESTION}},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt)[0]
outputs = outputs["generated_text"]

建議的推理參數

• 溫度（Temperature）：0.8
• 重複懲罰（Repetition penalty）：1.0
• 核採樣概率（Top-p）：0.9

提示指南

要使用此模型進行提示，請使用以下聊天模板：

<|user|>\n{question}</s>\n<|assistant|>\n

示例提示和生成結果

<|user|>
Od kada datiraju prva naselja na prostoru danasnjeg Beograda, i kada je grad osnovan?</s>
<|assistant|>
Beograd su naseljavali ljudi još u praistoriji, a prva naselja datiraju iz neolitskih vremena, pre oko 7.000 godina. Međutim, grad Beograd nije osnovan upravo u to vreme, već u srednjem veku, kada su Srbi u 9. veku osnovali srednjovekovni grad Beograd, na mestu današnjeg Kalemegdana. Grad je kasnije pretrpeo razna oсвајања, razaranja i obnavljanja, da bi se na kraju razvio u značajnu evropsku metropolu.

✨ 主要特性

• 多語言支持：支持塞爾維亞語和英語，可在兩種語言之間靈活切換。
• 人類對齊：經過直接偏好優化訓練，生成的回覆更符合人類偏好。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考上述快速開始部分加載模型。

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", torch_dtype="auto")

高級用法

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", use_fast=False)
messages = [
                {"role": "user", "content": {YOUR_QUESTION}},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt)[0]
outputs = outputs["generated_text"]

📚 詳細文檔

模型描述

• 開發者：SambaNova Systems
• 模型類型：語言模型
• 支持語言：塞爾維亞語、英語
• 微調基礎模型：Llama-2-7b
• 試用模型：SambaLingo-chat-space
• 相關論文：SambaLingo: Teaching Large Language Models New Languages
• 博客文章：sambalingo-open-source-language-experts

訓練細節

對齊階段遵循 Zephyr-7B 的方法，包括兩個階段：監督微調（SFT）和直接性能優化（DPO）。

• SFT階段：在 ultrachat_200k 數據集和其谷歌翻譯版本的混合數據集上進行訓練。訓練一個週期，全局批量大小為512，最大序列長度為2048個標記。使用線性衰減學習率2e-5和10%的熱身。
• DPO階段：在 ultrafeedback 數據集和 cai-conversation-harmless 數據集上進行訓練，混合了10%的谷歌翻譯數據。全局批量大小為32，訓練三個週期。使用線性衰減學習率5e-7，10%的熱身，DPO的正則化因子β=0.1。

分詞器細節

通過添加來自新語言的多達25,000個非重疊標記，將基礎Llama模型的詞彙量從32,000個標記擴展到57,000個標記。

評估

評估結果請參考論文：SambaLingo: Teaching Large Language Models New Languages

使用方式

直接使用

此模型的使用受Meta的 Llama 2社區許可協議 約束。請在下載模型權重之前查看並接受許可協議。

不適用場景

SambaLingo不應用於以下場景：

• 關鍵任務應用
• 涉及他人安全的應用
• 做出高度重要決策的應用

偏差、風險和侷限性

與所有大語言模型一樣，SambaLingo存在一定的侷限性：

• 幻覺問題：模型有時可能會生成聽起來合理但事實錯誤或無關的信息。
• 代碼切換：模型可能會在單個回覆中無意地在語言或方言之間切換，影響輸出的連貫性和可理解性。
• 重複問題：模型可能會產生重複的短語或句子，導致回覆的吸引力和信息量降低。
• 編碼和數學能力：模型在生成準確代碼或解決複雜數學問題方面的性能可能有限。
• 毒性問題：模型可能會無意中生成包含不適當或有害內容的回覆。

🔧 技術細節

• 對齊方法：採用直接偏好優化（DPO）和監督微調（SFT）相結合的方法。
• 詞彙擴展：將基礎Llama模型的詞彙量從32,000擴展到57,000。

📄 許可證

本模型使用Llama 2許可證。

致謝

我們衷心感謝開源AI社區；沒有開源，這項工作是不可能完成的。SambaNova支持開源社區，並希望積極為這一倡議做出貢獻。

我們特別感謝以下組織和團隊：

• Meta開源了Llama 2和FLORES-200數據集。
• Nguyen等人開源了CulturaX數據集。
• CohereAI發佈了AYA-101並開源了多語言指令調整數據集。
• EleutherAI提供了開源評估框架。
• Hugging Face-H4團隊開源了Zephyr訓練方法和對齊手冊倉庫。

引用SambaLingo

@misc{csaki2024sambalingo,
      title={SambaLingo: Teaching Large Language Models New Languages}, 
      author={Zoltan Csaki and Bo Li and Jonathan Li and Qiantong Xu and Pian Pawakapan and Leon Zhang and Yun Du and Hengyu Zhao and Changran Hu and Urmish Thakker},
      year={2024},
      eprint={2404.05829},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}