Open Llama 7b

🚀 OpenLLaMA：LLaMA的開源復現版本

本倉庫展示了對Meta AI的LLaMA大語言模型的寬鬆許可開源復現。我們發佈了在1萬億個token上訓練的70億和30億參數模型，以及在6000億個token上訓練的130億參數模型的預覽版本。我們提供預訓練的OpenLLaMA模型的PyTorch和JAX權重，以及評估結果和與原始LLaMA模型的對比。更多詳細信息請參閱OpenLLaMA項目主頁。

🚀 快速開始

本項目提供了Meta AI的LLaMA大語言模型的開源復現版本，包括不同參數規模的模型，並提供了多種格式的權重和評估結果。以下將詳細介紹權重的加載、使用方法，以及模型的訓練和評估情況。

✨ 主要特性

• 開源復現：提供Meta AI的LLaMA大語言模型的開源復現版本。
• 多模型發佈：發佈了70億、30億參數模型，以及130億參數模型的預覽版本。
• 多格式權重：提供PyTorch和JAX格式的預訓練模型權重。
• 評估對比：提供評估結果，並與原始LLaMA模型進行對比。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關框架的官方文檔進行安裝：

• EasyLM框架
• Hugging Face transformers

💻 使用示例

基礎用法

使用Hugging Face Transformers庫加載模型並進行推理：

import torch
from transformers import LlamaTokenizer, LlamaForCausalLM

model_path = 'openlm-research/open_llama_3b'
# model_path = 'openlm-research/open_llama_7b'

tokenizer = LlamaTokenizer.from_pretrained(model_path)
model = LlamaForCausalLM.from_pretrained(
    model_path, torch_dtype=torch.float16, device_map='auto',
)

prompt = 'Q: What is the largest animal?\nA:'
input_ids = tokenizer(prompt, return_tensors="pt").input_ids

generation_output = model.generate(
    input_ids=input_ids, max_new_tokens=32
)
print(tokenizer.decode(generation_output[0]))

高級用法

使用lm-eval-harness進行評估

tokenizer = self.AUTO_TOKENIZER_CLASS.from_pretrained(
    pretrained if tokenizer is None else tokenizer,
    revision=revision + ("/" + subfolder if subfolder is not None else ""),
    use_fast=False
)

使用EasyLM框架加載權重

請參考EasyLM的LLaMA文檔。

📚 詳細文檔

權重發布、許可和使用

我們以兩種格式發佈權重：一種是可與我們的EasyLM框架配合使用的EasyLM格式，另一種是可與Hugging Face transformers庫配合使用的PyTorch格式。我們的訓練框架EasyLM和檢查點權重均根據Apache 2.0許可進行寬鬆許可。

⚠️ 重要提示

目前建議避免使用Hugging Face的快速分詞器，因為我們觀察到自動轉換的快速分詞器有時會給出錯誤的分詞結果。可以通過直接使用LlamaTokenizer類，或為AutoTokenizer類傳入use_fast=False選項來避免此問題。

數據集和訓練

我們在Together發佈的RedPajama數據集上訓練模型，該數據集是對LLaMA訓練數據集的復現，包含超過1.2萬億個token。我們遵循與原始LLaMA論文完全相同的預處理步驟和訓練超參數，包括模型架構、上下文長度、訓練步驟、學習率調度和優化器。我們的設置與原始設置的唯一區別在於使用的數據集：OpenLLaMA採用RedPajama數據集，而不是原始LLaMA使用的數據集。

我們使用基於JAX的訓練管道EasyLM在雲TPU - v4上訓練模型。我們結合使用普通數據並行和完全分片數據並行（也稱為ZeRO階段3）來平衡訓練吞吐量和內存使用。總體而言，我們的70億參數模型在每個TPU - v4芯片上達到了超過2200個token/秒的吞吐量。

評估

我們使用lm-evaluation-harness在廣泛的任務上對OpenLLaMA進行了評估。LLaMA的結果是通過在相同的評估指標上運行原始LLaMA模型生成的。我們注意到我們的LLaMA模型結果與原始LLaMA論文略有不同，我們認為這是由於不同的評估協議造成的。在lm-evaluation-harness的這個問題中也報告了類似的差異。此外，我們還展示了由EleutherAI在Pile數據集上訓練的60億參數模型GPT - J的結果。

原始LLaMA模型在1萬億個token上進行訓練，GPT - J在5000億個token上進行訓練。我們在下表中展示了結果。OpenLLaMA在大多數任務上表現出與原始LLaMA和GPT - J相當的性能，並在某些任務上優於它們。

我們從基準測試中移除了任務CB和WSC，因為我們的模型在這兩個任務上表現異常出色。我們推測訓練集中可能存在基準數據汙染。

聯繫我們

我們非常希望得到社區的反饋。如果您有任何問題，請提出問題或與我們聯繫。

OpenLLaMA由以下人員開發： Xinyang Geng* 和 Hao Liu*，來自伯克利人工智能研究實驗室。 *貢獻相同

致謝

我們感謝Google TPU Research Cloud項目提供部分計算資源。我們特別感謝TPU Research Cloud的Jonathan Caton幫助我們組織計算資源，感謝Google Cloud團隊的Rafi Witten和Google JAX團隊的James Bradbury幫助我們優化訓練吞吐量。我們還感謝Charlie Snell、Gautier Izacard、Eric Wallace、Lianmin Zheng和我們的用戶社區提供的討論和反饋。

OpenLLaMA 13B模型是與Stability AI合作訓練的，我們感謝Stability AI提供計算資源。我們特別感謝David Ha和Shivanshu Purohit協調後勤工作並提供工程支持。

引用

如果您在研究或應用中發現OpenLLaMA很有用，請使用以下BibTeX進行引用：

@software{openlm2023openllama,
  author = {Geng, Xinyang and Liu, Hao},
  title = {OpenLLaMA: An Open Reproduction of LLaMA},
  month = May,
  year = 2023,
  url = {https://github.com/openlm-research/open_llama}
}

@software{together2023redpajama,
  author = {Together Computer},
  title = {RedPajama-Data: An Open Source Recipe to Reproduce LLaMA training dataset},
  month = April,
  year = 2023,
  url = {https://github.com/togethercomputer/RedPajama-Data}
}

@article{touvron2023llama,
  title={Llama: Open and efficient foundation language models},
  author={Touvron, Hugo and Lavril, Thibaut and Izacard, Gautier and Martinet, Xavier and Lachaux, Marie-Anne and Lacroix, Timoth{\'e}e and Rozi{\`e}re, Baptiste and Goyal, Naman and Hambro, Eric and Azhar, Faisal and others},
  journal={arXiv preprint arXiv:2302.13971},
  year={2023}
}

📄 許可證

本項目採用Apache 2.0許可證。