Openelm 450M

🚀 OpenELM

OpenELM 是一系列 開放、高效 的 語言模型。它採用逐層縮放策略，在Transformer模型的每一層中高效分配參數，從而提高了模型的準確性。該模型使用 CoreNet 庫進行預訓練，併發布了參數分別為2.7億、4.5億、11億和30億的預訓練模型和指令微調模型。同時，項目還發布了完整的框架，包括數據準備、訓練、微調、評估等流程，以及多個預訓練檢查點和訓練日誌，以促進開放研究。

🚀 快速開始

我們在 generate_openelm.py 中提供了一個示例函數，用於從通過 HuggingFace Hub 加載的OpenELM模型生成輸出。

你可以運行以下命令來嘗試該模型：

python generate_openelm.py --model apple/OpenELM-450M --hf_access_token [HF_ACCESS_TOKEN] --prompt 'Once upon a time there was' --generate_kwargs repetition_penalty=1.2

請參考 此鏈接 以獲取你的Hugging Face訪問令牌。

可以通過 generate_kwargs 傳遞額外的參數給Hugging Face的生成函數。例如，為了加速推理，你可以嘗試通過傳遞 prompt_lookup_num_tokens 參數來使用 查找令牌推測生成：

python generate_openelm.py --model apple/OpenELM-450M --hf_access_token [HF_ACCESS_TOKEN] --prompt 'Once upon a time there was' --generate_kwargs repetition_penalty=1.2 prompt_lookup_num_tokens=10

或者，通過 assistant_model 參數傳遞一個較小的模型，嘗試使用 輔助模型 進行模型級別的推測生成，例如：

python generate_openelm.py --model apple/OpenELM-450M --hf_access_token [HF_ACCESS_TOKEN] --prompt 'Once upon a time there was' --generate_kwargs repetition_penalty=1.2 --assistant_model [SMALLER_MODEL]

✨ 主要特性

• 高效參數分配：採用逐層縮放策略，在Transformer模型的每一層中高效分配參數，提高了模型的準確性。
• 多參數模型發佈：發佈了參數分別為2.7億、4.5億、11億和30億的預訓練模型和指令微調模型。
• 完整框架開源：發佈了完整的框架，包括數據準備、訓練、微調、評估等流程，以及多個預訓練檢查點和訓練日誌，方便進行開放研究。

📦 安裝指南

評估環境安裝

安裝以下依賴項：

# 安裝公共的lm-eval-harness
harness_repo="public-lm-eval-harness"
git clone https://github.com/EleutherAI/lm-evaluation-harness ${harness_repo}
cd ${harness_repo}
# 使用2024年3月15日的主分支，SHA為dc90fec
git checkout dc90fec
pip install -e .
cd ..

# 66d6242是2024年4月1日的主分支
pip install datasets@git+https://github.com/huggingface/datasets.git@66d6242
pip install tokenizers>=0.15.2 transformers>=4.38.2 sentencepiece>=0.2.0

💻 使用示例

基礎用法

運行以下命令生成文本：

python generate_openelm.py --model apple/OpenELM-450M --hf_access_token [HF_ACCESS_TOKEN] --prompt 'Once upon a time there was' --generate_kwargs repetition_penalty=1.2

高級用法

使用查找令牌推測生成加速推理：

python generate_openelm.py --model apple/OpenELM-450M --hf_access_token [HF_ACCESS_TOKEN] --prompt 'Once upon a time there was' --generate_kwargs repetition_penalty=1.2 prompt_lookup_num_tokens=10

📚 詳細文檔

主要結果

零樣本學習（Zero-Shot）

LLM360

OpenLLM排行榜

更多結果和比較請參閱技術報告。

評估

評估OpenELM

# OpenELM-450M
hf_model=apple/OpenELM-450M

# 由於lm-eval-harness默認將add_bos_token設置為False，但OpenELM使用的LLaMA分詞器需要add_bos_token為True，因此需要此標誌
tokenizer=meta-llama/Llama-2-7b-hf
add_bos_token=True
batch_size=1

mkdir lm_eval_output

shot=0
task=arc_challenge,arc_easy,boolq,hellaswag,piqa,race,winogrande,sciq,truthfulqa_mc2
lm_eval --model hf \
        --model_args pretrained=${hf_model},trust_remote_code=True,add_bos_token=${add_bos_token},tokenizer=${tokenizer} \
        --tasks ${task} \
        --device cuda:0 \
        --num_fewshot ${shot} \
        --output_path ./lm_eval_output/${hf_model//\//_}_${task//,/_}-${shot}shot \
        --batch_size ${batch_size} 2>&1 | tee ./lm_eval_output/eval-${hf_model//\//_}_${task//,/_}-${shot}shot.log

shot=5
task=mmlu,winogrande
lm_eval --model hf \
        --model_args pretrained=${hf_model},trust_remote_code=True,add_bos_token=${add_bos_token},tokenizer=${tokenizer} \
        --tasks ${task} \
        --device cuda:0 \
        --num_fewshot ${shot} \
        --output_path ./lm_eval_output/${hf_model//\//_}_${task//,/_}-${shot}shot \
        --batch_size ${batch_size} 2>&1 | tee ./lm_eval_output/eval-${hf_model//\//_}_${task//,/_}-${shot}shot.log

shot=25
task=arc_challenge,crows_pairs_english
lm_eval --model hf \
        --model_args pretrained=${hf_model},trust_remote_code=True,add_bos_token=${add_bos_token},tokenizer=${tokenizer} \
        --tasks ${task} \
        --device cuda:0 \
        --num_fewshot ${shot} \
        --output_path ./lm_eval_output/${hf_model//\//_}_${task//,/_}-${shot}shot \
        --batch_size ${batch_size} 2>&1 | tee ./lm_eval_output/eval-${hf_model//\//_}_${task//,/_}-${shot}shot.log

shot=10
task=hellaswag
lm_eval --model hf \
        --model_args pretrained=${hf_model},trust_remote_code=True,add_bos_token=${add_bos_token},tokenizer=${tokenizer} \
        --tasks ${task} \
        --device cuda:0 \
        --num_fewshot ${shot} \
        --output_path ./lm_eval_output/${hf_model//\//_}_${task//,/_}-${shot}shot \
        --batch_size ${batch_size} 2>&1 | tee ./lm_eval_output/eval-${hf_model//\//_}_${task//,/_}-${shot}shot.log

🔧 技術細節

• 預訓練數據集：包含RefinedWeb、去重後的PILE、RedPajama的一個子集和Dolma v1.6的一個子集，總計約1.8萬億個標記。使用這些數據集前，請查看其許可協議和條款。
• 參數分配策略：採用逐層縮放策略，在Transformer模型的每一層中高效分配參數，提高了模型的準確性。

📄 許可證

本項目採用 apple-sample-code-license 許可證。

🔗 引用

如果您覺得我們的工作有用，請引用：

@article{mehtaOpenELMEfficientLanguage2024,
	title = {{OpenELM}: {An} {Efficient} {Language} {Model} {Family} with {Open} {Training} and {Inference} {Framework}},
	shorttitle = {{OpenELM}},
	url = {https://arxiv.org/abs/2404.14619v1},
	language = {en},
	urldate = {2024-04-24},
	journal = {arXiv.org},
	author = {Mehta, Sachin and Sekhavat, Mohammad Hossein and Cao, Qingqing and Horton, Maxwell and Jin, Yanzi and Sun, Chenfan and Mirzadeh, Iman and Najibi, Mahyar and Belenko, Dmitry and Zatloukal, Peter and Rastegari, Mohammad},
	month = apr,
	year = {2024},
}

@inproceedings{mehta2022cvnets, 
     author = {Mehta, Sachin and Abdolhosseini, Farzad and Rastegari, Mohammad}, 
     title = {CVNets: High Performance Library for Computer Vision}, 
     year = {2022}, 
     booktitle = {Proceedings of the 30th ACM International Conference on Multimedia}, 
     series = {MM '22} 
}

⚠️ 重要提示

OpenELM模型的發佈旨在通過提供最先進的語言模型來支持和豐富開放研究社區。這些模型在公開可用的數據集上進行訓練，並且沒有提供任何安全保證。因此，這些模型有可能根據用戶的提示產生不準確、有害、有偏見或令人反感的輸出。因此，用戶和開發者必須進行徹底的安全測試，並根據其特定需求實施適當的過濾機制。