Jais Family 2p7b Chat

🚀 Jais系列模型

Jais系列模型是一套全面的英阿雙語大語言模型（LLM）。這些模型經過優化，在阿拉伯語處理上表現卓越，同時具備強大的英語能力。我們發佈了兩種基礎模型變體，包括：

• 從頭開始預訓練的模型（jais-family-*）。
• 基於Llama - 2進行自適應預訓練的模型（jais-adapted-*）。

在本次發佈中，我們推出了涵蓋8種規模、共20個模型，參數範圍從5.9億到700億，在多達16萬億個阿拉伯語、英語和代碼數據的標記上進行了訓練。該系列的所有預訓練模型都使用精心策劃的阿拉伯語和英語指令數據進行了指令微調（*-chat），以用於對話。

我們希望這次大規模的發佈能夠加速阿拉伯語自然語言處理（NLP）的研究，併為阿拉伯語使用者和雙語社區帶來眾多下游應用。我們為阿拉伯語模型展示的訓練和自適應技術也適用於其他中低資源語言。

🚀 快速開始

以下是使用該模型的示例代碼。請注意，該模型需要自定義模型類，因此用戶在加載模型時必須啟用trust_remote_code = True。

基礎用法

# -*- coding: utf-8 -*-

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "inceptionai/jais-family-2p7b-chat"

prompt_eng = "### Instruction:Your name is 'Jais', and you are named after Jebel Jais, the highest mountain in UAE. You were made by 'Inception' in the UAE. You are a helpful, respectful, and honest assistant. Always answer as helpfully as possible, while being safe. Complete the conversation between [|Human|] and [|AI|]:\n### Input: [|Human|] {Question}\n[|AI|]\n### Response :"
prompt_ar = "### Instruction:اسمك \"جيس\" وسميت على اسم جبل جيس اعلى جبل في الامارات. تم بنائك بواسطة Inception في الإمارات. أنت مساعد مفيد ومحترم وصادق. أجب دائمًا بأكبر قدر ممكن من المساعدة، مع الحفاظ على البقاء أمناً. أكمل المحادثة بين [|Human|] و[|AI|] :\n### Input:[|Human|] {Question}\n[|AI|]\n### Response :"

device = "cuda" if torch.cuda.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True)


def get_response(text, tokenizer=tokenizer, model=model):
    input_ids = tokenizer(text, return_tensors="pt").input_ids
    inputs = input_ids.to(device)
    input_len = inputs.shape[-1]
    generate_ids = model.generate(
        inputs,
        top_p=0.9,
        temperature=0.3,
        max_length=2048,
        min_length=input_len + 4,
        repetition_penalty=1.2,
        do_sample=True,
    )
    response = tokenizer.batch_decode(
        generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
    )[0]
    response = response.split("### Response :")[-1]
    return response


ques = "ما هي عاصمة الامارات؟"
text = prompt_ar.format_map({'Question': ques})
print(get_response(text))

ques = "What is the capital of UAE?"
text = prompt_eng.format_map({'Question': ques})
print(get_response(text))

✨ 主要特性

• 雙語能力：Jais系列模型是英阿雙語大語言模型，在阿拉伯語處理上表現卓越，同時具備強大的英語能力。
• 多種變體：提供從頭開始預訓練的模型（jais-family-*）和基於Llama - 2進行自適應預訓練的模型（jais-adapted-*）。
• 多規模選擇：涵蓋從5.9億到700億參數的8種規模，共20個模型，可滿足不同需求。
• 指令微調：所有預訓練模型都使用精心策劃的阿拉伯語和英語指令數據進行了指令微調（*-chat），適用於對話場景。

📦 安裝指南

文檔未提供具體安裝步驟，可參考代碼示例中的模型加載方式：

from transformers import AutoTokenizer, AutoModelForCausalLM
model_path = "inceptionai/jais-family-2p7b-chat"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True)

📚 詳細文檔

Jais系列模型詳情

• 開發者：Inception, Cerebras Systems。
• 語言：阿拉伯語（現代標準阿拉伯語）和英語。
• 輸入：僅文本數據。
• 輸出：模型生成文本。
• 模型規模：5.9億、13億、27億、67億、70億、130億、300億、700億。
• 演示：在此訪問即時演示
• 許可證：Apache 2.0

預訓練模型信息

自適應預訓練模型信息

模型架構

該系列的所有模型都是自迴歸語言模型，採用基於Transformer的僅解碼器架構（GPT - 3）。

• Jais模型（jais-family-*）：是從頭開始訓練的，採用了SwiGLU非線性激活函數和ALiBi位置編碼。這些架構改進使模型能夠在長序列長度上進行外推，從而提高上下文處理能力和精度。
• Jais自適應模型（jais-adapted-*）：是基於Llama - 2構建的，它採用了RoPE位置嵌入和分組查詢注意力機制。我們引入了使用阿拉伯語數據的分詞器擴展，將生育能力和計算效率提高了3倍以上。具體來說，我們將Jais - 30b詞彙表中的32000個新阿拉伯語標記添加到Llama - 2分詞器中。為了初始化這些新的阿拉伯語標記嵌入，我們首先使用兩個詞彙表中共享的英語標記集，學習從Jais - 30b的嵌入空間到Llama的嵌入空間的線性投影。然後，應用這個學習到的投影將現有的Jais - 30b阿拉伯語嵌入轉換到Llama - 2嵌入空間。

訓練詳情

預訓練數據

Jais系列模型在多達16萬億個不同的英語、阿拉伯語和代碼數據的標記上進行訓練。數據來源包括：

• 網絡：我們使用了公開可用的網頁、維基百科文章、新聞文章和社交網絡內容，涵蓋阿拉伯語和英語。
• 代碼：為了增強模型的推理能力，我們納入了各種編程語言的代碼數據。
• 書籍：我們使用了部分公開可用的阿拉伯語和英語書籍數據，這有助於提高長程上下文建模和連貫敘事能力。
• 科學：納入了一部分arXiv論文，以提高推理和長上下文處理能力。
• 合成：我們使用內部機器翻譯系統將英語翻譯成阿拉伯語，以增加阿拉伯語數據量。我們僅對高質量的英語資源（如英語維基百科和英語書籍）進行翻譯。

我們對訓練數據進行了廣泛的預處理和去重。對於阿拉伯語，我們使用了自定義的預處理管道來篩選高質量的語言數據。有關此管道的更多信息，請參閱Jais論文。

• Jais預訓練（jais-family-*）：根據我們之前在Jais中對語言對齊混合的實驗，我們使用了1:2:0.4的阿拉伯語:英語:代碼數據比例。這種從頭開始預訓練的方法解決了阿拉伯語數據稀缺的問題，同時提高了兩種語言的性能。
• Jais自適應預訓練（jais-adapted-*）：對於Llama - 2的自適應預訓練，我們使用了約3340億個阿拉伯語標記的更大阿拉伯語數據集，並與英語和代碼數據混合。我們根據不同的模型規模調整混合比例，以在保持英語性能的同時增強阿拉伯語能力。

預訓練數據比例

微調數據

Jais系列的所有聊天模型都使用阿拉伯語和英語的單輪和多輪提示 - 響應數據對進行微調。數據來源包括經過主題和風格多樣性篩選的開源微調數據集。此外，還納入了內部策劃的人工數據，以增強文化適應性。這些數據還補充了通過合成方法（包括機器翻譯、蒸餾和模型自對話）生成的內容。總體而言，我們更新的指令微調數據集分別包含約1000萬和400萬對英語和阿拉伯語的提示 - 響應數據。

訓練過程

• 預訓練（jais-family-*）：在預訓練過程中，文檔被打包成由EOS標記分隔的序列，模型進行自迴歸訓練，並對所有標記應用損失。對於jais - 30b模型，通過在訓練中納入精心策劃的長上下文文檔，將上下文長度從2k逐步擴展到8K再到16K。這種漸進式擴展利用了較短上下文長度下的快速初始訓練，同時在訓練過程後期逐漸支持更大的上下文長度。
• 自適應預訓練（jais-adapted-*）：在自適應預訓練過程中，我們首先按照模型架構中所述初始化新的分詞器和阿拉伯語嵌入。在訓練中，我們採用了兩階段方法來克服新阿拉伯語嵌入的較高範數問題。在第一階段，模型的主幹被凍結，使用來自英語和阿拉伯語雙語語料庫的約150億個標記訓練嵌入。在第二階段，主幹解凍，對所有參數進行連續預訓練。
• 指令微調：在指令微調過程中，每個訓練示例由單輪或多輪提示及其響應組成。示例被打包在一起，而損失僅在響應標記上計算，提示標記的損失被屏蔽。這種方法通過允許每批處理更多示例來加速訓練。

訓練超參數：Jais-family-2p7b-chat

計算基礎設施

訓練過程在Condor Galaxy（CG）超級計算機平臺上進行。一個CG包含64個Cerebras CS - 2晶圓級引擎（WSE - 2），每個引擎具有40GB的SRAM，總計算能力達到960 PetaFLOP/s。

評估

我們使用LM - harness在零樣本設置下對Jais模型進行了全面評估，重點關注英語和阿拉伯語。評估標準涵蓋多個維度，包括：

• 知識：模型回答事實性問題的能力。
• 推理：模型回答需要推理的問題的能力。
• 錯誤信息/偏差：評估模型生成虛假或誤導性信息的傾向以及其中立性。

阿拉伯語評估結果

阿拉伯語基準測試使用內部機器翻譯模型進行翻譯，並由阿拉伯語語言學家審核。帶有星號（*）的基準測試是原生阿拉伯語測試；更多詳細信息，請參閱Jais論文。此外，我們還納入了ArabicMMLU，這是一個基於地區知識的原生阿拉伯語基準測試。

英語評估結果

GPT - 4評估

除了LM - Harness評估外，我們還使用GPT - 4作為評判進行了開放式生成評估。我們在Vicuna測試集的80個固定提示上測量了模型在阿拉伯語和英語中的成對勝率。英語提示由我們的內部語言學家翻譯成阿拉伯語。以下是本次發佈的Jais系列模型與之前版本的比較：

GPT - 4作為評判對Jais模型在阿拉伯語和英語中的評估。Jais系列模型在兩種語言的生成能力上明顯優於之前的Jais模型。

GPT - 4作為評判對自適應Jais模型在阿拉伯語和英語中的評估。與Llama - 2指令模型相比，阿拉伯語的生成質量顯著提高，同時英語能力也有所提升。

除了成對比較，我們還按照MT - bench風格對模型的單答案進行1到10分的評分。

MT - bench風格對Jais和自適應Jais模型在阿拉伯語和英語中的單答案評分評估。與早期版本的相應模型進行比較，響應的質量評分普遍提高，阿拉伯語的提升尤為顯著。

預期用途

我們以完全開源的許可證發佈Jais系列模型。我們歡迎所有反饋和合作機會。該系列雙語模型的參數範圍從5.9億到700億，適用於廣泛的用例。一些潛在的下游應用包括：

• 研究：Jais系列為阿拉伯語研究人員和NLP從業者提供了計算高效和先進的模型規模選擇。
  • 自然語言理解和生成任務。
  • 雙語預訓練和自適應預訓練模型中文化對齊的機制解釋分析。
  • 阿拉伯文化和語言現象的定量研究。
• 商業用途：Jais 300億和700億參數的聊天模型適合直接用於聊天應用，或針對特定任務進行進一步微調。
  • 為阿拉伯語用戶開發聊天助手。
  • 情感分析，以瞭解當地市場和客戶趨勢。
  • 雙語阿拉伯語 - 英語文檔的摘要生成。

我們希望以下群體能從我們的模型中受益：

• 學術界：從事阿拉伯語自然語言處理研究的人員。
• 企業：針對阿拉伯語用戶的公司。
• 開發者：在應用中集成阿拉伯語能力的開發者。

非預期用途

雖然Jais系列模型是強大的阿拉伯語和英語雙語模型，但瞭解其侷限性和潛在的濫用風險至關重要。禁止以任何違反適用法律法規的方式使用該模型。以下是一些不應使用該模型的示例場景：

• 惡意使用：不得使用該模型生成有害、誤導或不適當的內容，包括但不限於：
  • 生成或傳播仇恨言論、暴力或歧視性內容。
  • 傳播錯誤信息或虛假新聞。
  • 參與或促進非法活動。
• 敏感信息處理：不得使用該模型處理或生成個人、機密或敏感信息。
• 跨語言通用性：Jais系列模型是雙語模型，針對阿拉伯語和英語進行了優化，不應假定其在其他語言或方言中具有同等的能力。
• 高風險決策：在沒有人工監督的情況下，不得使用該模型進行高風險決策，如醫療、法律、金融或安全關鍵決策。

🔧 技術細節

模型架構

• Jais模型（jais-family-*）：從頭開始訓練，採用SwiGLU非線性激活函數和ALiBi位置編碼，提高長序列處理能力。
• Jais自適應模型（jais-adapted-*）：基於Llama - 2構建，採用RoPE位置嵌入和分組查詢注意力機制，引入阿拉伯語數據擴展分詞器，提高計算效率。

訓練過程

• 預訓練（jais-family-*）：文檔打包成序列，漸進式擴展上下文長度，提高訓練效率和上下文處理能力。
• 自適應預訓練（jais-adapted-*）：兩階段訓練方法，解決新阿拉伯語嵌入的高範數問題。
• 指令微調：示例打包，屏蔽提示標記損失，加速訓練。

訓練數據處理

• 數據來源廣泛：包括網絡、代碼、書籍、科學和合成數據。
• 預處理和去重：對訓練數據進行廣泛預處理和去重，確保數據質量。
• 語言比例調整：根據不同模型類型和規模，調整阿拉伯語、英語和代碼數據的比例。

📄 許可證

Jais模型根據Apache License 2.0許可發佈。你可以在此處獲取許可證副本。

總結

我們發佈了Jais系列阿拉伯語和英語雙語模型。廣泛的預訓練模型規模、將以英語為中心的模型適應阿拉伯語的方法以及對所有規模的微調，為阿拉伯語環境下的商業和學術應用開闢了眾多用例。通過這次發佈，我們旨在使大語言模型更易於阿拉伯語NLP研究人員和公司使用，提供比以英語為中心的模型更具文化理解能力的原生阿拉伯語模型。我們用於預訓練、微調以及適應阿拉伯語的策略可擴展到其他中低資源語言，為滿足本地語境的語言聚焦和易於使用的模型鋪平了道路。

引用信息

@misc{sengupta2023jais,
      title={Jais and Jais-chat: Arabic-Centric Foundation and Instruction-Tuned Open Generative Large Language Models}, 
      author={Neha Sengupta, Sunil Kumar Sahu, Bokang Jia, Satheesh Katipomu, Haonan Li, Fajri Koto, William Marshall, Gurpreet Gosal, Cynthia Liu, Zhiming Chen, Osama Mohammed Afzal, Samta Kamboj, Onkar Pandit, Rahul Pal, Lalit Pradhan, Zain Muhammad Mujahid, Massa Baali, Xudong Han, Sondos Mahmoud Bsharat, Alham Fikri Aji, Zhiqiang Shen, Zhengzhong Liu, Natalia Vassilieva, Joel Hestness, Andy Hock, Andrew Feldman, Jonathan Lee, Andrew Jackson, Hector Xuguang Ren, Preslav Nakov, Timothy Baldwin and Eric Xing},
      year={2023},
      eprint={2308.16149},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@article{jaisfamilymodelcard,
    title={Jais Family Model Card},
    author={Inception},
    year={2024},
    url = {https://huggingface.co/inceptionai/jais-family-30b-16k-chat/blob/main/README.md}
}

⚠️ 重要提示

禁止以任何違反適用法律法規的方式使用該模型，不得用於惡意、敏感信息處理、跨語言通用性假設或高風險決策等非預期用途。

💡 使用建議

在使用模型時，可根據具體需求選擇合適的模型規模。對於研究任務，可選擇不同規模的模型進行實驗；對於商業應用，Jais 300億和700億參數的聊天模型可能更適合。同時，注意在訓練和使用過程中遵循相應的許可證要求。