Gemma 7b

🚀 Gemma模型

Gemma是谷歌推出的輕量級、最先進的開源模型家族。它基於與Gemini模型相同的研究和技術構建，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

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

模型頁面：Gemma

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模型庫中的Gemma

使用條款：條款

作者：Google

✨ 主要特性

模型描述

Gemma是谷歌推出的一系列輕量級、最先進的開源模型，採用了與Gemini模型相同的研究和技術。它們是僅解碼器的文本到文本大語言模型，支持英文，擁有開放的權重、預訓練變體和指令微調變體。Gemma模型適用於各種文本生成任務，包括問答、摘要和推理。由於其相對較小的規模，可以在資源有限的環境中部署，如筆記本電腦、臺式機或自己的雲基礎設施，使更多人能夠使用到最先進的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、提示或待摘要的文檔。
• 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。

📦 安裝指南

在運行模型之前，需要先安裝transformers庫：

pip install -U transformers

💻 使用示例

基礎用法

以下是在CPU上運行模型的示例代碼：

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b")

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

在單個/多個GPU上運行模型

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", 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]))

使用不同精度在GPU上運行模型

• 使用torch.float16

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", 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-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", 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-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", 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-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", 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)

📚 詳細文檔

模型數據

訓練數據集

這些模型在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。主要組成部分如下：

• 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學習編程語言的語法和模式，提高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、符號表示和處理數學查詢。

這些多樣化數據源的組合對於訓練一個強大的語言模型至關重要，使其能夠處理各種不同的任務和文本格式。

數據預處理

以下是應用於訓練數據的主要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嚴格的CSAM（兒童性虐待材料）過濾，確保排除有害和非法內容。
• 敏感數據過濾：為了使Gemma預訓練模型安全可靠，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強大的計算能力。TPU專門為機器學習中常見的矩陣運算設計，在這個領域具有以下優勢：

• 性能：TPU專門處理訓練大語言模型所需的大量計算，與CPU相比，可以顯著加速訓練過程。
• 內存：TPU通常配備大量的高帶寬內存，允許在訓練過程中處理大型模型和批量大小，有助於提高模型質量。
• 可擴展性：TPU Pod（大型TPU集群）為處理大型基礎模型的不斷增長的複雜性提供了可擴展的解決方案。可以在多個TPU設備上分佈訓練，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，實現更快、更高效的大型模型訓練。

ML Pathways是谷歌構建能夠跨多個任務進行泛化的人工智能系統的最新成果。特別適用於基礎模型，包括像這樣的大語言模型。

JAX和ML Pathways的結合使用在關於Gemini模型家族的論文中有描述：“Jax和Pathways的‘單控制器’編程模型允許單個Python進程編排整個訓練過程，大大簡化了開發工作流程。”

評估

基準測試結果

這些模型在大量不同的數據集和指標上進行評估，以涵蓋文本生成的各個方面：

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

倫理和安全

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。這些模型在與倫理和安全相關的多個類別上進行評估，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：與相關學術數據集進行基準測試，如WinoBias和BBQ Dataset。
• 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、放射性和核（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，如兒童安全、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的結果，如BBQ、BOLD、Winogender、Winobias、RealToxicity和TruthfulQA。

基準測試	指標	2B參數	7B參數
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		44.84	31.81
Winobias 1_2		56.12	59.09
Winobias 2_2		91.10	92.23
Toxigen		29.77	39.59
------------------------------	-------------	-----------	---------

使用和限制

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，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。

• 內容創作和通信
  • 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指令構建的任務。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中學到的信息生成響應，但它們不是知識庫。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，在某些情況下可能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
  • 在大規模真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
  • 本模型卡片總結了模型的架構、能力、限制和評估過程的詳細信息。
  • 負責任開發的開源模型為AI生態系統中的開發者和研究人員提供了共享創新的機會，使大語言模型技術更易於訪問。

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）並探索去偏差技術。
• 有害內容的生成：內容安全機制和指南至關重要。鼓勵開發者根據其特定產品政策和應用用例謹慎行事，並實施適當的內容安全保障措施。
• 惡意用途：技術限制以及對開發者和最終用戶的教育有助於減輕大語言模型的惡意應用。提供教育資源和用戶報告濫用情況的機制。Gemma禁止使用政策中概述了Gemma模型的禁止使用情況。
• 隱私侵犯：模型在過濾掉個人身份信息（PII）的數據上進行訓練。鼓勵開發者遵守隱私法規，採用保護隱私的技術。

優勢

在發佈時，與類似規模的模型相比，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，這些模型在性能上優於其他類似規模的開源模型替代方案。

📄 許可證

本模型採用gemma許可證。若要在Hugging Face上使用Gemma，你需要審查並同意Google的使用許可。請確保你已登錄Hugging Face，然後點擊下方按鈕。請求將立即處理。 確認許可