Sambalingo Hungarian Chat

🚀 SambaLingo匈牙利語聊天模型

SambaLingo匈牙利語聊天模型是一個經過人類對齊的聊天模型，支持匈牙利語和英語。它基於基礎模型SambaLingo-Hungarian-Base，通過直接偏好優化進行訓練。基礎模型則是將Llama-2-7b適配到匈牙利語，在來自Cultura-X數據集匈牙利語部分的590億個標記上進行訓練。你可以在SambaLingo-chat-space嘗試使用此模型。

🚀 快速開始

使用Hugging Face加載模型

加載分詞器時，請確保設置use_fast=False。

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Hungarian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Hungarian-Chat", device_map="auto", torch_dtype="auto")

與模型管道交互

加載分詞器時，請確保設置use_fast=False。

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Hungarian-Chat", device_map="auto", use_fast=False)
messages = [
                {"role": "user", "content": {YOUR_QUESTION}},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt)[0]
outputs = outputs["generated_text"]

建議的推理參數

• 溫度（Temperature）：0.8
• 重複懲罰（Repetition penalty）：1.0
• 核採樣概率（Top-p）：0.9

提示模板

要使用此模型進行提示，請使用以下聊天模板：

<|user|>\n{question}</s>\n<|assistant|>\n

提示示例和生成結果

<|user|>
Mi a jelentőssége a magyar szürkemarhának?</s>
<|assistant|>
A magyar szürkemarha jelentős kulturális és gazdasági jelentőséggel bír Magyarország számára. Íme néhány ok, amiért:

1. Kulturális örökség: A magyar szürkemarha a magyar kultúra és örökség szimbóluma. A fajta évszázadok óta létezik, és a magyar puszta ikonikus szimbólumává vált.

2. Élelmiszer: A magyar szürkemarha húsa és teje kiváló minőségű, és keresett a magyar és a nemzetközi piacokon. A hús sovány, zsírszegény, és magas a fehérje- és vastartalma.

3. Turizmus: A magyar szürkemarha fontos turisztikai attrakció Magyarországon. A látogatók szívesen látogatják a szürkemarha farmokat, és megismerkednek a fajta történetével és tenyésztésével.

4. Génmegőrzés: A magyar szürkemarha fontos génmegőrző faj, amely segít megőrizni a hagyományos gazdálkodási gyakorlatokat és a helyi ökoszisztémákat.

5. Gazdasági hatás: A magyar szürkemarha fontos gazdasági tevékenység Magyarország számára. A fajta tenyésztése és feldolgozása munkahelyeket teremt, és bevételt generál a gazdálkodók és a feldolgozók számára.

Összességében a magyar szürkemarha jelentős kulturális, gazdasági és ökológiai jelentőséggel bír Magyarország számára. A fajta megőrzése és népszerűsítése fontos a magyar kultúra és örökség, valamint a helyi gazdaság és ökoszisztémák szempontjából.

✨ 主要特性

• 支持匈牙利語和英語兩種語言。
• 基於強大的Llama-2-7b模型進行適配和優化。
• 通過直接偏好優化進行訓練，更符合人類偏好。

📦 安裝指南

該模型可通過Hugging Face的transformers庫進行加載，具體安裝命令如下：

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Hungarian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Hungarian-Chat", device_map="auto", torch_dtype="auto")

📚 詳細文檔

模型描述

• 開發者：SambaNova Systems
• 模型類型：語言模型
• 支持語言：匈牙利語、英語
• 微調基礎模型：Llama-2-7b
• 試用模型：SambaLingo-chat-space
• 相關論文：SambaLingo: Teaching Large Language Models New Languages
• 博客文章：sambalingo-open-source-language-experts

訓練細節

對齊階段遵循Zephyr-7B的訓練方法，包括兩個階段：監督微調（SFT）和直接性能優化（DPO）。

SFT階段在ultrachat_200k數據集和Google翻譯後的版本上進行訓練。訓練一個epoch，全局批次大小為512，最大序列長度為2048個標記。使用線性衰減學習率2e-5，預熱比例為10%。

DPO階段在ultrafeedback數據集和cai-conversation-harmless數據集上進行訓練，其中10%的數據經過Google翻譯。訓練三個epoch，全局批次大小為32。使用線性衰減學習率5e-7，預熱比例為10%，DPO的正則化因子β=0.1。

分詞器細節

通過添加來自新語言的最多25,000個非重疊標記，將基礎Llama模型的詞彙表從32,000個標記擴展到57,000個標記。

評估

評估結果請參考我們的論文：SambaLingo: Teaching Large Language Models New Languages

使用方式

直接使用

使用此模型需遵守Meta的Llama 2社區許可協議。請在下載模型權重前仔細閱讀並接受許可協議。

超出適用範圍的使用

SambaLingo不應用於以下場景：

• 關鍵任務應用程序。
• 涉及他人安全的應用程序。
• 做出高度重要決策的場景。

偏差、風險和侷限性

與所有大語言模型一樣，SambaLingo存在一定的侷限性：

• 幻覺問題：模型有時可能生成聽起來合理但事實上不正確或無關的信息。
• 代碼切換：模型可能在單個回覆中無意地在不同語言或方言之間切換，影響輸出的連貫性和可理解性。
• 重複問題：模型可能會產生重複的短語或句子，導致回覆的吸引力和信息量降低。
• 編碼和數學能力：模型在生成準確代碼或解決複雜數學問題方面的性能可能有限。
• 毒性問題：模型可能會無意中生成包含不適當或有害內容的回覆。

致謝

我們衷心感謝開源AI社區；沒有開源，這項工作將無法完成。SambaNova支持開源社區，並希望積極為這一倡議做出貢獻。

特別感謝以下團隊：

• Meta開源了LLama 2和FLORES-200數據集。
• Nguyen等人開源了CulturaX數據集。
• CohereAI發佈了AYA-101並開源了多語言指令調優數據集。
• EleutherAI提供了開源評估框架。
• Hugging Face-H4團隊開源了Zephyr訓練方法和對齊手冊倉庫。

引用SambaLingo

@misc{csaki2024sambalingo,
      title={SambaLingo: Teaching Large Language Models New Languages}, 
      author={Zoltan Csaki and Bo Li and Jonathan Li and Qiantong Xu and Pian Pawakapan and Leon Zhang and Yun Du and Hengyu Zhao and Changran Hu and Urmish Thakker},
      year={2024},
      eprint={2404.05829},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 許可證

本模型使用Llama 2許可證。