Mallam 1.1B 4096

🚀 MaLLaM 🌙 1.1B（馬來西亞大語言模型）

MaLLaM 1.1B 是基於馬來西亞文本進行預訓練的大語言模型，擁有 1.1B 參數和 4096 的上下文長度。它採用 Mistral 架構，在 900 億馬來西亞文本標記上從頭開始進行預訓練。

🚀 快速開始

本模型基於 Mistral 架構，在 900 億馬來西亞文本標記上從頭開始預訓練了 1.1B 參數。

• 訓練數據來自 900 億標記，數據收集於 此處。
• 使用 Ray 集群在 5 個節點（每個節點配備 4 個 A100 80GB GPU）上進行訓練，相關配置可參考 這裡。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
import torch

TORCH_DTYPE = 'bfloat16'
nf4_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type='nf4',
    bnb_4bit_use_double_quant=True,
    bnb_4bit_compute_dtype=getattr(torch, TORCH_DTYPE)
)

tokenizer = AutoTokenizer.from_pretrained('mesolitica/mallam-1.1B-4096')
model = AutoModelForCausalLM.from_pretrained(
    'mesolitica/mallam-1.1B-4096',
    use_flash_attention_2 = True,
    quantization_config = nf4_config
)
prompt = '<s>nama saya'
inputs = tokenizer([prompt], return_tensors='pt', add_special_tokens=False).to('cuda')

generate_kwargs = dict(
    inputs,
    max_new_tokens=512,
    top_p=0.95,
    top_k=50,
    temperature=0.9,
    do_sample=True,
    num_beams=1,
    repetition_penalty=1.05,
)
r = model.generate(**generate_kwargs)

📚 詳細文檔

• 更多信息請參考 README。
• WandB 項目：https://wandb.ai/mesolitica/pretrain-mistral-1.1b?workspace=user-husein-mesolitica
• WandB 報告：https://wandb.ai/mesolitica/pretrain-mistral-3b/reports/Pretrain-Larger-Malaysian-Mistral--Vmlldzo2MDkyOTgz
• 技術報告：https://github.com/mesolitica/malaya/wiki/MaLLaM-%F0%9F%8C%99-Malaysia-Large-Language-Model

🔧 技術細節

本模型採用 Mistral 架構，在 900 億馬來西亞文本標記上從頭開始預訓練了 1.1B 參數。訓練過程使用 Ray 集群在 5 個節點（每個節點配備 4 個 A100 80GB GPU）上進行。訓練數據收集於 https://github.com/malaysia-ai/dedup-text-dataset/tree/main/pretrain-llm。

📦 信息表格