Jais Family 590m

🚀 Jais系列模型卡片

Jais系列模型是一套全面的英阿雙語大語言模型（LLM）。這些模型在優化阿拉伯語性能的同時，也具備出色的英語能力。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種規模的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群體實現眾多下游應用。我們為阿拉伯語模型成功展示的訓練和自適應技術可擴展到其他中低資源語言。

✨ 主要特性

• 雙語能力：具備出色的阿拉伯語和英語處理能力，在阿拉伯語處理上進行了優化，同時英語能力也很強。
• 多種模型變體：提供從頭預訓練和基於Llama - 2自適應預訓練的兩種變體，滿足不同需求。
• 多規模選擇：涵蓋從5.9億到700億參數的8種規模，適應不同的計算資源和應用場景。
• 指令微調：所有預訓練模型都進行了指令微調，適用於對話場景。

📦 安裝指南

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

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

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "inceptionai/jais-family-590m"

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]
    return response


text = "عاصمة دولة الإمارات العربية المتحدة ه"
print(get_response(text))

text = "The capital of UAE is"
print(get_response(text))

💻 使用示例

基礎用法

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

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "inceptionai/jais-family-590m"

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]
    return response


text = "عاصمة دولة الإمارات العربية المتحدة ه"
print(get_response(text))

text = "The capital of UAE is"
print(get_response(text))

📚 詳細文檔

Jais系列模型詳情

預訓練模型

自適應預訓練模型

模型架構

本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-*）：從頭開始訓練，結合了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，從而改善上下文處理和精度。
• 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。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16萬億個多樣化的英語、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：使用公開可用的阿拉伯語和英語網頁、維基百科文章、新聞文章和社交網絡內容。
• 代碼：為增強模型的推理能力，包含各種編程語言的代碼數據。
• 書籍：使用公開可用的阿拉伯語和英語書籍數據的精選集，以改善長距離上下文建模和連貫的故事講述。
• 科學文獻：納入一部分arXiv論文，以提高推理和長上下文處理能力。
• 合成數據：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）進行此操作。

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，我們使用自定義預處理管道過濾出語言質量高的數據。有關此管道的更多信息，請參閱Jais論文。

• Jais預訓練模型（jais-family-*）：根據我們之前在Jais中進行的語言對齊混合實驗，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自適應預訓練模型（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引入強大的阿拉伯語能力。

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過濾的開源微調數據集。此外，還納入了內部策劃的人工數據以增強文化適應性。這些數據還補充了使用合成方法（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400萬個英語和阿拉伯語的提示 - 響應數據對。

訓練過程

• jais-family-*模型的預訓練：文檔被打包成由EOS標記分隔的序列，模型進行自迴歸訓練，並將損失應用於所有標記。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，同時在訓練過程結束時逐漸擴展對更大上下文長度的支持。
• jais-adapted-*模型的自適應預訓練：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，我們採用兩階段方法來克服新阿拉伯語嵌入的較高範數問題。第一階段，凍結模型的主幹，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。第二階段，解凍主幹，並對所有參數進行連續預訓練。
• 指令微調：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，而不是每個序列一個示例，同時在提示標記上屏蔽損失。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-590m

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），具有40GB的SRAM，總計算能力達到960 PetaFLOP/s。

評估

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可能性以及其中立性。

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；更多詳細信息，請參閱Jais論文。此外，我們還包括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測試集的一組固定的80個提示上，測量了模型在阿拉伯語和英語中的響應的成對勝率。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方面明顯優於之前的Jais模型。

GPT - 4作為評判對自適應Jais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，同時英語也有所改善。

除了成對比較外，我們還進行了MT - bench風格的1到10分的單答案評分。

MT - bench風格的單答案評分對Jais和自適應Jais在阿拉伯語和英語中的評估。與早期版本的相應模型進行了比較。響應的質量評級總體上有所提高，阿拉伯語方面有顯著提升。

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規模從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：為阿拉伯語研究人員和NLP從業者提供服務，提供計算高效和先進的模型規模。
  • 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可解釋性分析。
  • 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非常適合在聊天應用中直接使用，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，以深入瞭解當地市場和客戶趨勢。
  • 雙語阿拉伯語 - 英語文檔的摘要。

我們希望從我們的模型中受益的受眾包括：

• 學術界：從事阿拉伯語自然語言處理研究的人員。
• 企業：針對阿拉伯語受眾的公司。
• 開發者：在應用程序中集成阿拉伯語能力的人員。

超出適用範圍的使用

雖然Jais系列模型是強大的阿拉伯語和英語雙語模型，但必須瞭解其侷限性和潛在的濫用可能性。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：不得使用模型生成有害、誤導或不適當的內容，包括但不限於：
  • 生成或宣傳仇恨言論、暴力或歧視性內容。
  • 傳播錯誤信息或虛假新聞。
  • 參與或宣傳非法活動。
• 敏感信息處理：不得使用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熟練程度。
• 高風險決策：在沒有人工監督的情況下，不得使用模型進行高風險決策，包括醫療、法律、金融或安全關鍵決策。

偏差、風險和侷限性

Jais系列模型在部分由Inception策劃的公開可用數據上進行訓練。我們採用了不同的技術來減少模型中的偏差。儘管已努力將偏差降至最低，但與所有大語言模型一樣，該模型可能仍會表現出一些偏差。

微調後的變體是為阿拉伯語和英語使用者作為AI助手進行訓練的。聊天模型僅限於為這兩種語言的查詢生成響應，可能無法為其他語言的查詢生成合適的響應。

使用Jais即表示您承認並接受，與任何大語言模型一樣，它可能會生成不正確、誤導性和/或冒犯性的信息或內容。這些信息並非建議，不應以任何方式依賴，我們也不對其使用產生的任何內容或後果負責。我們正在不斷努力開發更強大的模型，因此歡迎對該模型提出任何反饋。

版權歸Inception Institute of Artificial Intelligence Ltd.所有。JAIS根據Apache許可證，版本2.0（“許可證”）提供。除非遵守許可證，否則您不得使用JAIS。您可以在https://www.apache.org/licenses/LICENSE - 2.0獲取許可證副本。

除非適用法律要求或書面同意，否則JAIS按“原樣”分發，不提供任何形式的明示或暗示保證。請參閱許可證條款，瞭解許可證下的具體語言權限和限制。

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，以及對所有規模模型的微調，為阿拉伯語環境下的商業和學術領域解鎖了眾多用例。

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好地理解文化的原生阿拉伯語模型。我們為預訓練、微調以及適應阿拉伯語所採用的策略可擴展到其他中低資源語言，為滿足本地語境的以語言為中心且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}
}

📄 許可證

本項目採用Apache 2.0許可證。有關詳細信息，請參閱許可證鏈接。