Theta Lyrae Qwen 14B

🚀 Theta-Lyrae-Qwen-14B

Theta-Lyrae-Qwen-14B基於Qwen 2.5 14B模態架構，旨在提升14B參數模型的推理能力。該模型針對通用推理和回答進行了優化，在上下文理解、邏輯演繹和多步驟問題解決方面表現出色。它使用長思維鏈推理模型和專業數據集進行了微調，以提高理解能力、結構化響應和對話智能。

🚀 快速開始

以下是使用apply_chat_template的代碼片段，展示瞭如何加載分詞器和模型並生成內容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "prithivMLmods/Theta-Lyrae-Qwen-14B"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "What are the key principles of general-purpose AI?"
messages = [
    {"role": "system", "content": "You are a helpful assistant capable of answering a wide range of questions."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

✨ 主要特性

1. 增強的通用知識：該模型提供跨多個領域的廣泛知識，提高了準確回答問題和生成連貫響應的能力。
2. 改進的指令遵循：在理解和遵循複雜指令、生成結構化響應以及在長時間交互中保持連貫性方面取得了顯著進展。
3. 多功能適應性：對各種提示更具適應性，增強了處理廣泛主題和對話風格的能力，包括開放式和結構化查詢。
4. 長上下文支持：支持最多128K個輸入上下文令牌，並可以在單個輸出中生成最多8K個令牌，非常適合詳細響應。

📚 詳細文檔

預期用途

1. 通用推理：設計用於廣泛的應用場景，協助進行邏輯推理、回答各種問題和解決通用知識問題。
2. 教育和信息輔助：適合為學生、教育工作者和普通用戶提供解釋、總結和基於研究的響應。
3. 對話式AI和聊天機器人：非常適合構建需要上下文理解和動態響應生成的智能對話代理。
4. 多語言應用：支持全球通信、翻譯和多語言內容生成。
5. 結構化數據處理：能夠分析和生成結構化輸出，如表格和JSON，對數據科學和自動化很有用。
6. 長格式內容生成：可以生成擴展響應，包括文章、報告和指南，在大文本輸出中保持連貫性。

侷限性

1. 硬件要求：由於其大參數規模和長上下文支持，需要高內存的GPU或TPU。
2. 響應中的潛在偏差：雖然設計為中立，但輸出仍可能反映訓練數據中存在的偏差。
3. 創造性任務中的不一致輸出：在講故事和高度主觀的主題上可能會產生不同的結果。
4. 有限的現實世界感知：無法獲取其訓練截止日期之後的即時事件。
5. 擴展輸出中的錯誤傳播：早期響應中的小錯誤可能會影響長格式輸出的整體連貫性。
6. 提示敏感性：響應的有效性可能取決於輸入提示的結構好壞。

📄 許可證

本項目採用Apache-2.0許可證。