Nekomata 14b

🚀 rinna/nekomata-14b

本項目基於日語和英語混合數據集的660億個標記，對qwen-14b進行持續預訓練，顯著提升了模型在日語任務上的表現。

🚀 快速開始

本模型是在qwen-14b的基礎上，在日語和英語混合數據集的660億標記上進行持續預訓練得到的。持續預訓練顯著提升了模型在日語任務上的性能，同時還具備原Qwen模型的以下出色特性：

• 包含廣泛的Qwen詞彙表（詞彙量 > 150k），使模型處理日語文本的效率比之前發佈的youri系列更高。
• 模型支持的最大序列長度為8192。

nekomata這個名字來源於日語單詞貓又/ねこまた/Nekomata，它是一種日本神話生物（妖怪/ようかい/Youkai）。

✨ 主要特性

訓練相關

• 使用庫：該模型使用基於aws-neuron/neuronx-nemo-megatron的代碼進行訓練。
• 模型架構：這是一個基於Transformer的40層、隱藏層大小為5120的語言模型。有關架構細節，請參考Qwen論文。
• 持續預訓練：模型以qwen-14b為基礎進行初始化，並在以下混合語料庫的約660億標記上進行持續訓練：
  • Japanese CC-100
  • Japanese C4
  • Japanese OSCAR
  • The Pile
  • Wikipedia
  • rinna策劃的日語數據集
• 訓練基礎設施：nekomata-14B在由AWS Trainium專用機器學習加速芯片驅動的16個Amazon EC2 trn1.32xlarge實例節點上進行訓練。預訓練任務在大約7天的時間內完成。
• 貢獻者：
  • Tianyu Zhao
  • Akio Kaga
  • Kei Sawada
• 發佈日期：2023年12月21日

基準測試

請參考rinna的語言模型基準測試頁面（2023年12月21日工作表）。

💻 使用示例

基礎用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/nekomata-14b", trust_remote_code=True)

# 使用GPU和bf16
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True, bf16=True)

# 使用GPU和fp16
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True, fp16=True)

# 使用CPU
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="cpu", trust_remote_code=True)

# 自動選擇設備和精度
model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True)

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)

📚 詳細文檔

分詞

該模型使用原始的Qwen分詞器。它在cl100k tiktoken分詞器的基礎上進行了擴展，詞彙量為151,936。廣泛的詞彙表有助於模型實現更好的分詞效率，特別是對於日語文本。

我們在不同的文本集合上比較了Qwen分詞器（nekomata中使用）和llama-2分詞器（youri中使用），發現Qwen分詞器實現了更好的字節到標記率（即每1字節文本產生的平均標記數），如下所示。較低的字節到標記率表示更好的分詞效率。

引用方式

@misc{rinna-nekomata-14b,
    title = {rinna/nekomata-14b},
    author = {Zhao, Tianyu and Kaga, Akio and Sawada, Kei},
    url = {https://huggingface.co/rinna/nekomata-14b}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

📄 許可證

通義千問許可協議