Gemma 2b

🚀 Gemma模型介紹

Gemma是谷歌推出的輕量級、最先進的開源模型家族，基於與Gemini模型相同的研究和技術構建。它是僅解碼器的大語言模型，適用於多種文本生成任務，如問答、摘要和推理等。其相對較小的規模使其能夠在資源有限的環境中部署，讓更多人能夠使用到先進的AI模型。

🚀 快速開始

本模型卡對應Gemma模型的2B基礎版本。你也可以訪問 7B基礎模型、7B指令模型 和 2B指令模型 的模型卡。

資源和技術文檔：

• Gemma技術報告
• 負責任的生成式AI工具包
• Kaggle上的Gemma
• Vertex模型花園中的Gemma

使用條款：條款

作者：Google

✨ 主要特性

模型信息

描述

Gemma是谷歌推出的輕量級、最先進的開源模型家族，基於與Gemini模型相同的研究和技術構建。它們是文本到文本、僅解碼器的大語言模型，提供英文版本，具有開放權重、預訓練變體和指令調優變體。Gemma模型適用於各種文本生成任務，包括問答、摘要和推理。其相對較小的規模使其能夠在資源有限的環境中部署，如筆記本電腦、臺式機或你自己的雲基礎設施，使更多人能夠使用到先進的AI模型，促進創新。

上下文長度

模型在8192個標記的上下文長度上進行訓練。

輸入和輸出

• 輸入：文本字符串，如問題、提示或要摘要的文檔。
• 輸出：針對輸入生成的英文文本，如問題的答案或文檔的摘要。

模型數據

訓練數據集

這些模型在一個包含各種來源的文本數據集上進行訓練，總計6萬億個標記。以下是關鍵組成部分：

• 網頁文檔：多樣化的網頁文本集合確保模型接觸到廣泛的語言風格、主題和詞彙。主要是英文內容。
• 代碼：讓模型接觸代碼有助於它學習編程語言的語法和模式，提高其生成代碼或理解與代碼相關問題的能力。
• 數學：在數學文本上進行訓練有助於模型學習邏輯推理、符號表示和解決數學查詢。

這些不同數據源的組合對於訓練一個能夠處理各種不同任務和文本格式的強大語言模型至關重要。

數據預處理

以下是應用於訓練數據的關鍵數據清理和過濾方法：

• CSAM過濾：在數據準備過程的多個階段應用了嚴格的CSAM（兒童性虐待材料）過濾，以確保排除有害和非法內容。
• 敏感數據過濾：作為使Gemma預訓練模型安全可靠的一部分，使用自動化技術從訓練集中過濾掉某些個人信息和其他敏感數據。
• 其他方法：根據內容質量和安全性進行過濾，符合 我們的政策。

實現信息

硬件

Gemma使用最新一代的 張量處理單元（TPU） 硬件（TPUv5e）進行訓練。

訓練大語言模型需要大量的計算能力。TPU專門為機器學習中常見的矩陣運算而設計，在這一領域具有以下優勢：

• 性能：TPU專門用於處理訓練大語言模型所涉及的大量計算。與CPU相比，它們可以顯著加快訓練速度。
• 內存：TPU通常配備大量的高帶寬內存，允許在訓練期間處理大型模型和批量大小。這可以提高模型質量。
• 可擴展性：TPU Pod（大型TPU集群）為處理大型基礎模型日益增長的複雜性提供了可擴展的解決方案。你可以在多個TPU設備上分佈訓練，以實現更快、更高效的處理。
• 成本效益：在許多情況下，與基於CPU的基礎設施相比，TPU可以為訓練大型模型提供更具成本效益的解決方案，特別是考慮到更快的訓練速度所節省的時間和資源。
• 這些優勢符合 谷歌對可持續運營的承諾。

軟件

訓練使用 JAX 和 ML Pathways 進行。

JAX允許研究人員利用最新一代的硬件（包括TPU）來更快、更高效地訓練大型模型。

ML Pathways是谷歌最新的努力，旨在構建能夠跨多個任務進行泛化的人工智能系統。這特別適用於 基礎模型，包括像這樣的大語言模型。

JAX和ML Pathways一起使用，如 關於Gemini模型家族的論文 中所述：“Jax和Pathways的‘單控制器’編程模型允許單個Python進程編排整個訓練運行，大大簡化了開發工作流程。”

評估

基準測試結果

這些模型針對大量不同的數據集和指標進行了評估，以涵蓋文本生成的不同方面：

基準測試	指標	2B參數	7B參數
MMLU	5-shot, top-1	42.3	64.3
HellaSwag	0-shot	71.4	81.2
PIQA	0-shot	77.3	81.2
SocialIQA	0-shot	49.7	51.8
BooIQ	0-shot	69.4	83.2
WinoGrande	partial score	65.4	72.3
CommonsenseQA	7-shot	65.3	71.3
OpenBookQA		47.8	52.8
ARC-e		73.2	81.5
ARC-c		42.1	53.2
TriviaQA	5-shot	53.2	63.4
Natural Questions	5-shot	12.5	23
HumanEval	pass@1	22.0	32.3
MBPP	3-shot	29.2	44.4
GSM8K	maj@1	17.7	46.4
MATH	4-shot	11.8	24.3
AGIEval		24.2	41.7
BIG-Bench		35.2	55.1
平均		45.0	56.9

倫理與安全

評估方法

我們的評估方法包括結構化評估和對相關內容政策的內部紅隊測試。紅隊測試由多個不同的團隊進行，每個團隊有不同的目標和人工評估指標。這些模型針對與倫理和安全相關的多個不同類別進行了評估，包括：

• 文本到文本內容安全：對涵蓋安全政策的提示進行人工評估，包括兒童性虐待和剝削、騷擾、暴力和血腥以及仇恨言論。
• 文本到文本代表性危害：與相關學術數據集（如 WinoBias 和 BBQ數據集）進行基準測試。
• 記憶：對訓練數據的記憶進行自動化評估，包括個人身份信息暴露的風險。
• 大規模危害：測試“危險能力”，如化學、生物、放射和核（CBRN）風險。

評估結果

倫理和安全評估的結果在可接受的閾值範圍內，符合 內部政策 中關於兒童安全、內容安全、代表性危害、記憶、大規模危害等類別。除了強大的內部評估外，還展示了一些知名安全基準測試（如BBQ、BOLD、Winogender、Winobias、RealToxicity和TruthfulQA）的結果。

更新：這些數字反映了更新後的v1.1 IT模型的新結果。有關原始v1的數字，請參閱技術報告的附錄。

基準測試	指標	Gemma v1.1 IT 2B	Gemma v1.1 IT 7B
RealToxicity	average	6.86	7.90
BOLD		45.57	49.08
CrowS - Pairs	top - 1	45.82	51.33
BBQ Ambig	1 - shot, top - 1	62.58	92.54
BBQ Disambig	top - 1	54.62	71.99
Winogender	top - 1	51.25	54.17
TruthfulQA		31.81	44.84
Winobias 1_2		56.12	59.09
Winobias 2_2		91.10	92.23
Toxigen		29.77	39.59

使用與限制

預期用途

開源大語言模型（LLM）在各個行業和領域有廣泛的應用。以下潛在用途列表並非詳盡無遺。此列表的目的是提供有關模型創建者在模型訓練和開發過程中考慮的可能用例的上下文信息。

• 內容創建和通信
  • 文本生成：這些模型可用於生成創意文本格式，如詩歌、腳本、代碼、營銷文案和電子郵件草稿。
  • 聊天機器人和對話式AI：為客戶服務、虛擬助手或交互式應用程序提供對話界面。
  • 文本摘要：生成文本語料庫、研究論文或報告的簡潔摘要。
• 研究和教育
  • 自然語言處理（NLP）研究：這些模型可以作為研究人員試驗NLP技術、開發算法和推動該領域發展的基礎。
  • 語言學習工具：支持交互式語言學習體驗，幫助進行語法糾正或提供寫作練習。
  • 知識探索：通過生成摘要或回答特定主題的問題，幫助研究人員探索大量文本。

限制

• 訓練數據
  • 訓練數據的質量和多樣性會顯著影響模型的能力。訓練數據中的偏差或差距可能導致模型響應的侷限性。
  • 訓練數據集的範圍決定了模型能夠有效處理的主題領域。
• 上下文和任務複雜性
  • 大語言模型更擅長可以用清晰提示和說明來構建的任務。開放式或高度複雜的任務可能具有挑戰性。
  • 模型的性能可能會受到提供的上下文量的影響（在一定程度上，更長的上下文通常會導致更好的輸出）。
• 語言歧義與細微差別
  • 自然語言本質上是複雜的。大語言模型可能難以理解微妙的細微差別、諷刺或比喻語言。
• 事實準確性
  • 大語言模型根據從訓練數據集中學到的信息生成響應，但它們不是知識庫。它們可能會生成不正確或過時的事實陳述。
• 常識
  • 大語言模型依賴於語言中的統計模式。它們可能在某些情況下缺乏應用常識推理的能力。

倫理考慮和風險

大語言模型（LLM）的開發引發了一些倫理問題。在創建開源模型時，我們仔細考慮了以下方面：

• 偏差和公平性
  • 在大規模現實世界文本數據上訓練的大語言模型可能反映訓練材料中嵌入的社會文化偏差。這些模型經過了仔細審查，本卡片中描述了輸入數據預處理和後續評估的情況。
• 錯誤信息和濫用
  • 大語言模型可能被濫用來生成虛假、誤導或有害的文本。
  • 提供了負責任使用模型的指南，請參閱 負責任的生成式AI工具包。
• 透明度和問責制
  • 本模型卡總結了模型的架構、能力、限制和評估過程的詳細信息。
  • 一個負責任開發的開源模型為通過使大語言模型技術可供AI生態系統中的開發者和研究人員使用來分享創新提供了機會。

已識別的風險和緩解措施：

• 偏差的延續：鼓勵在模型訓練、微調等使用場景中進行持續監測（使用評估指標、人工審查）並探索去偏技術。
• 有害內容的生成：內容安全的機制和指南至關重要。鼓勵開發者謹慎行事，並根據其特定的產品政策和應用用例實施適當的內容安全保障措施。
• 惡意使用：技術限制以及對開發者和最終用戶的教育可以幫助減輕大語言模型的惡意應用。提供了教育資源和用戶標記濫用的報告機制。Gemma模型的禁止使用情況在 Gemma禁止使用政策 中列出。
• 隱私侵犯：模型在經過過濾以去除個人身份信息（PII）的數據上進行訓練。鼓勵開發者遵守隱私法規並使用隱私保護技術。

優勢

在發佈時，與同樣規模的模型相比，這個模型家族提供了高性能的開源大語言模型實現，從一開始就為負責任的AI開發而設計。

使用本文檔中描述的基準評估指標，這些模型已顯示出比其他同等規模的開源模型替代方案具有更優越的性能。

📦 安裝指南

使用前請確保 pip install -U transformers

💻 使用示例

基礎用法

以下是一些關於如何快速開始運行模型的代碼片段。首先確保 pip install -U transformers，然後從與你的用例相關的部分複製代碼片段。

模型微調

你可以在 google/gemma - 7b 倉庫的 examples/ 目錄 下找到微調腳本和筆記本。要將其應用於本模型，只需將模型ID更改為 google/gemma-2b。 在該倉庫中，我們提供：

• 一個使用QLoRA在UltraChat數據集上進行監督微調（SFT）的腳本。
• 一個在TPU設備上使用FSDP進行SFT的腳本。
• 一個可以在免費層Google Colab實例上運行的筆記本，用於在英文名言數據集上進行SFT。

在CPU上運行模型

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

高級用法

在單GPU/多GPU上運行模型

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b", device_map="auto")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

在GPU上使用不同精度運行模型

使用 torch.float16

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b", device_map="auto", revision="float16")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

使用 torch.bfloat16

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b", device_map="auto", torch_dtype=torch.bfloat16)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

通過 bitsandbytes 進行量化版本

使用8位精度（int8）

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b", quantization_config=quantization_config)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

使用4位精度

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_4bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-2b", quantization_config=quantization_config)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

其他優化

Flash Attention 2

首先確保在你的環境中安裝 flash - attn：pip install flash-attn

model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
+   attn_implementation="flash_attention_2"
).to(0)

📄 許可證

本項目使用 gemma 許可證。

⚠️ 重要提示

要在Hugging Face上訪問Gemma，你需要審查並同意Google的使用許可。為此，請確保你已登錄Hugging Face並點擊下方按鈕。請求將立即處理。

💡 使用建議

可根據自身需求選擇合適的運行環境和精度，若資源有限可考慮量化版本；在微調模型時，注意修改對應的模型ID。