Falcon E 1B Instruct

🚀 Falcon-E模型

Falcon-E是一系列強大、通用且可微調的1.58bit語言模型，可依賴Hugging Face transformers庫或BitNet庫使用，在多種評估指標上表現出色。

🚀 快速開始

要使用此模型，你可以依賴Hugging Face transformers庫或BitNet庫。根據你的目標用途，有多種方式與模型進行交互。對於每個Falcon-E系列模型，你有三種變體：BitNet模型、用於微調的預量化檢查點和BitNet模型的bfloat16版本。

✨ 主要特性

• 模型類型：因果解碼器，基礎版本
• 架構：純Transformer - 1.58bit版本
• 語言：英文
• 許可證：Falcon-LLM License

📦 安裝指南

目前使用此模型，你可以依賴Hugging Face transformers庫或BitNet庫。

使用transformers庫

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "tiiuae/Falcon-E-1B-Instruct"

model = AutoModelForCausalLM.from_pretrained(
  model_id,
  torch_dtype=torch.bfloat16,
).to("cuda")

# Perform text generation

使用BitNet庫

git clone https://github.com/microsoft/BitNet && cd BitNet
pip install -r requirements.txt
python setup_env.py --hf-repo tiiuae/Falcon-E-1B-Instruct -q i2_s
python run_inference.py -m models/Falcon-E-1B-Instruct/ggml-model-i2_s.gguf -p "You are a helpful assistant" -cnv

💻 使用示例

基礎用法

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "tiiuae/Falcon-E-1B-Instruct"

model = AutoModelForCausalLM.from_pretrained(
  model_id,
  torch_dtype=torch.bfloat16,
).to("cuda")

# Perform text generation

高級用法

使用經典bfloat16版本進行推理

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "tiiuae/Falcon-E-1B-Instruct"
revision = "bfloat16"

model = AutoModelForCausalLM.from_pretrained(
  model_id,
  torch_dtype=torch.bfloat16,
  revision=revision,
).to("cuda")

# Perform text generation

模型微調

import torch

from transformers import AutoModelForCausalLM, AutoTokenizer
from trl import SFTTrainer
+ from onebitllms import replace_linear_with_bitnet_linear, quantize_to_1bit

model_id = "tiiuae/Falcon-E-1B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id, revision="prequantized")
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
+    revision="prequantized"
)
+ model = replace_linear_with_bitnet_linear(model)

trainer = SFTTrainer(
    model,
    ...
)

trainer.train()

+ quantize_to_1bit(output_directory)

📚 詳細文檔

模型詳情

訓練詳情

有關此模型訓練協議的更多詳細信息，請參閱Falcon-E技術博客文章。

評估

以下表格展示了內部管道基準測試結果，評估結果是前Hugging Face排行榜v2任務的標準化分數。

以下是指令微調模型的結果：

有用鏈接

• 查看發佈博客文章。
• 瞭解更多關於onebitllms庫的信息。
• 如果你有任何問題或想與研究人員和開發人員交流，歡迎加入Discord服務器。

🔧 技術細節

有關此模型訓練協議的更多詳細信息，請參閱Falcon-E技術博客文章。

📄 許可證

本模型使用Falcon-LLM License，詳情請見許可證鏈接。

📖 引用

如果Falcon-E系列模型對你的工作有幫助，請引用：

@misc{tiionebitllms,
    title = {Falcon-E, a series of powerful, universal and fine-tunable 1.58bit language models.},
    author = {Falcon-LLM Team},
    month = {April},
    url = {https://falcon-lm.github.io/blog/falcon-edge},
    year = {2025}
}