Sambalingo Japanese Chat

🚀 SambaLingo日語聊天模型

SambaLingo日語聊天模型是一個經過人類對齊的語言模型，支持日語和英語。它基於SambaLingo-Japanese-Base基礎模型，使用直接偏好優化（DPO）方法進行微調。基礎模型則是在Llama-2-7b的基礎上，通過Cultura-X數據集的日語部分的420億個標記進行訓練，以適應日語。你可以在SambaLingo-chat-space中試用該模型。

🚀 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-Japanese-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Japanese-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-Japanese-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

提示準則

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

提示示例和生成結果

<|user|>
茶道用語で、茶室ではなく、屋外でお茶を點てることを何というでしょう？</s>
<|assistant|>
茶道用語で、茶室ではなく屋外でお茶を點てることを「野點（のだて）」といいます。

✨ 主要特性

• 多語言支持：支持日語和英語兩種語言。
• 基於強大基礎模型：基於Llama-2-7b進行微調，具有較好的語言理解和生成能力。
• 人類對齊：通過直接偏好優化（DPO）方法進行微調，使模型輸出更符合人類偏好。

📦 模型描述

• 開發者：SambaNova Systems
• 模型類型：語言模型
• 支持語言：日語、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

🔧 技術細節

訓練細節

對齊階段遵循Zephyr-7B的訓練方法，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。訓練一個epoch，全局批次大小為512，最大序列長度為2048個標記。使用線性衰減學習率2e-5，熱身比例為10%。

DPO階段在ultrafeedback數據集和cai-conversation-harmless數據集，以及10%的谷歌翻譯數據的混合數據集上進行。訓練三個epoch，全局批次大小為32。使用線性衰減學習率5e-7，熱身比例為10%，DPO的正則化因子β=0.1。

分詞器細節

通過添加新語言中最多25,000個非重疊標記，將基礎Llama模型的詞彙表從32,000個標記擴展到57,000個標記。

📚 詳細文檔

評估

評估結果請參考我們的論文：SambaLingo: Teaching Large Language Models New Languages

使用方式

直接使用

使用此模型受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。

非預期使用

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。
• 語言切換：模型可能會在單個響應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，導致響應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響應。

📄 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；如果沒有開源，這項工作將無法完成。SambaNova支持開源社區，並希望積極為這一倡議做出貢獻。

特別感謝以下團隊和組織：

• 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微調數據集
• 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}
}