Rankgen T5 Xl All
R
Rankgen T5 Xl All
由 kalpeshk2011 开发
RankGen是一套编码器模型,能够将预训练语言模型的前缀和生成内容映射到共享向量空间,用于提升生成质量和检索性能。
下载量 4,535
发布时间 : 7/20/2022
模型简介
RankGen通过对比学习训练,可将语言模型生成内容与输入前缀映射到同一向量空间,支持文本重排序、束搜索优化和密集检索任务。
模型特点
共享向量空间映射
将语言模型前缀与生成内容映射到同一向量空间,实现语义对齐
多任务适配
同时支持生成内容重排序、束搜索优化和密集检索三种应用场景
显著质量提升
使MAUVE分数从0.77提升至0.85,人工评估偏好率达75%
模型能力
文本生成质量优化
生成内容重排序
束搜索解码增强
密集向量检索
使用案例
文本生成增强
故事续写优化
对语言模型生成的多个故事结局进行重排序,选择最连贯的版本
人工评估显示优化后的生成质量提升25%
信息检索
文学段落检索
作为密集检索器在文学作品库中查找相关段落
在RELIC文学检索任务上达到SOTA性能
🚀 RankGen
RankGen是一套编码器模型(参数范围为1亿 - 12亿),它可以将任何预训练英文语言模型的前缀和生成内容映射到一个共享向量空间。RankGen可用于对语言模型生成的多个完整样本进行重新排序,还能作为评分函数融入束搜索,显著提升生成质量(MAUVE指标从0.77提升到0.85,根据英文作家人工标注结果,偏好度达75%)。此外,RankGen还能像密集检索器一样使用,在文学检索任务中达到了当前最优性能。
🚀 快速开始
✨ 主要特性
- 将任何预训练英文语言模型的前缀和生成内容映射到共享向量空间。
- 可对语言模型生成的多个完整样本进行重新排序。
- 能作为评分函数融入束搜索,提升生成质量。
- 可作为密集检索器使用,在文学检索任务中表现出色。
📦 安装指南
要求(pip
会自动安装这些依赖)
Python 3.7+,torch
(建议使用CUDA),transformers
安装步骤
python3.7 -m virtualenv rankgen-venv
source rankgen-venv/bin/activate
pip install rankgen
从这里获取数据,并将文件夹放在根目录下。或者,使用 gdown
命令,如下所示:
gdown --folder https://drive.google.com/drive/folders/1DRG2ess7fK3apfB-6KoHb_azMuHbsIv4
运行测试脚本,确保RankGen检查点已正确加载:
python -m rankgen.test_rankgen_encoder --model_path kalpeshk2011/rankgen-t5-base-all
### 预期输出
0.0009239262409127233
0.0011521980725477804
💻 使用示例
基础用法
我们建议使用 RankGenEncoder
来加载RankGen,它是一个围绕HuggingFace API的小包装器,可自动正确预处理数据和进行分词。你可以下载我们的仓库并安装API,或者从下面复制实现代码。
from rankgen import RankGenEncoder, RankGenGenerator
rankgen_encoder = RankGenEncoder("kalpeshk2011/rankgen-t5-xl-all")
# 编码向量
prefix_vectors = rankgen_encoder.encode(["This is a prefix sentence."], vectors_type="prefix")
suffix_vectors = rankgen_encoder.encode(["This is a suffix sentence."], vectors_type="suffix")
# 生成文本
# 使用与HuggingFace兼容的语言模型
generator = RankGenGenerator(rankgen_encoder=rankgen_encoder, language_model="gpt2-medium")
inputs = ["Whatever might be the nature of the tragedy it would be over with long before this, and those moving black spots away yonder to the west, that he had discerned from the bluff, were undoubtedly the departing raiders. There was nothing left for Keith to do except determine the fate of the unfortunates, and give their bodies decent burial. That any had escaped, or yet lived, was altogether unlikely, unless, perchance, women had been in the party, in which case they would have been borne away prisoners."]
# 基线核采样
print(generator.generate_single(inputs, top_p=0.9)[0][0])
# 过度生成并重新排序
print(generator.overgenerate_rerank(inputs, top_p=0.9, num_samples=10)[0][0])
# 束搜索
print(generator.beam_search(inputs, top_p=0.9, num_samples=10, beam_size=2)[0][0])
高级用法
也可以使用HuggingFace API来加载模型:
from transformers import T5Tokenizer, AutoModel
tokenizer = T5Tokenizer.from_pretrained(f"google/t5-v1_1-xl")
model = AutoModel.from_pretrained("kalpeshk2011/rankgen-t5-xl-all", trust_remote_code=True)
RankGenEncoder实现代码
import tqdm
from transformers import T5Tokenizer, T5EncoderModel, AutoModel
class RankGenEncoder():
def __init__(self, model_path, max_batch_size=32, model_size=None, cache_dir=None):
assert model_path in ["kalpeshk2011/rankgen-t5-xl-all", "kalpeshk2011/rankgen-t5-xl-pg19", "kalpeshk2011/rankgen-t5-base-all", "kalpeshk2011/rankgen-t5-large-all"]
self.max_batch_size = max_batch_size
self.device = 'cuda' if torch.cuda.is_available() else 'cpu'
if model_size is None:
if "t5-large" in model_path or "t5_large" in model_path:
self.model_size = "large"
elif "t5-xl" in model_path or "t5_xl" in model_path:
self.model_size = "xl"
else:
self.model_size = "base"
else:
self.model_size = model_size
self.tokenizer = T5Tokenizer.from_pretrained(f"google/t5-v1_1-{self.model_size}", cache_dir=cache_dir)
self.model = AutoModel.from_pretrained(model_path, trust_remote_code=True)
self.model.to(self.device)
self.model.eval()
def encode(self, inputs, vectors_type="prefix", verbose=False, return_input_ids=False):
tokenizer = self.tokenizer
max_batch_size = self.max_batch_size
if isinstance(inputs, str):
inputs = [inputs]
if vectors_type == 'prefix':
inputs = ['pre ' + input for input in inputs]
max_length = 512
else:
inputs = ['suffi ' + input for input in inputs]
max_length = 128
all_embeddings = []
all_input_ids = []
for i in tqdm.tqdm(range(0, len(inputs), max_batch_size), total=(len(inputs) // max_batch_size) + 1, disable=not verbose, desc=f"Encoding {vectors_type} inputs:"):
tokenized_inputs = tokenizer(inputs[i:i + max_batch_size], return_tensors="pt", padding=True)
for k, v in tokenized_inputs.items():
tokenized_inputs[k] = v[:, :max_length]
tokenized_inputs = tokenized_inputs.to(self.device)
with torch.inference_mode():
batch_embeddings = self.model(**tokenized_inputs)
all_embeddings.append(batch_embeddings)
if return_input_ids:
all_input_ids.extend(tokenized_inputs.input_ids.cpu().tolist())
return {
"embeddings": torch.cat(all_embeddings, dim=0),
"input_ids": all_input_ids
}
📄 许可证
本项目采用Apache-2.0许可证。
主要仓库
https://github.com/martiansideofthemoon/rankgen
相关信息表格
属性 | 详情 |
---|---|
标签 | t5、对比学习、排序、解码、度量学习、pytorch、文本生成、检索 |
数据集 | Wikipedia、PG19、C4、relic、ChapterBreak、HellaSwag、ROCStories |
评估指标 | MAUVE、人工评估 |
许可证 | Apache-2.0 |
Phi 2 GGUF
其他
Phi-2是微软开发的一个小型但强大的语言模型,具有27亿参数,专注于高效推理和高质量文本生成。
大型语言模型 支持多种语言
P
TheBloke
41.5M
205
Roberta Large
MIT
基于掩码语言建模目标预训练的大型英语语言模型,采用改进的BERT训练方法
大型语言模型 英语
R
FacebookAI
19.4M
212
Distilbert Base Uncased
Apache-2.0
DistilBERT是BERT基础模型的蒸馏版本,在保持相近性能的同时更轻量高效,适用于序列分类、标记分类等自然语言处理任务。
大型语言模型 英语
D
distilbert
11.1M
669
Llama 3.1 8B Instruct GGUF
Meta Llama 3.1 8B Instruct 是一个多语言大语言模型,针对多语言对话用例进行了优化,在常见的行业基准测试中表现优异。
大型语言模型 英语
L
modularai
9.7M
4
Xlm Roberta Base
MIT
XLM-RoBERTa是基于100种语言的2.5TB过滤CommonCrawl数据预训练的多语言模型,采用掩码语言建模目标进行训练。
大型语言模型 支持多种语言
X
FacebookAI
9.6M
664
Roberta Base
MIT
基于Transformer架构的英语预训练模型,通过掩码语言建模目标在海量文本上训练,支持文本特征提取和下游任务微调
大型语言模型 英语
R
FacebookAI
9.3M
488
Opt 125m
其他
OPT是由Meta AI发布的开放预训练Transformer语言模型套件,参数量从1.25亿到1750亿,旨在对标GPT-3系列性能,同时促进大规模语言模型的开放研究。
大型语言模型 英语
O
facebook
6.3M
198
1
基于transformers库的预训练模型,适用于多种NLP任务
大型语言模型
Transformers

1
unslothai
6.2M
1
Llama 3.1 8B Instruct
Llama 3.1是Meta推出的多语言大语言模型系列,包含8B、70B和405B参数规模,支持8种语言和代码生成,优化了多语言对话场景。
大型语言模型
Transformers 支持多种语言

L
meta-llama
5.7M
3,898
T5 Base
Apache-2.0
T5基础版是由Google开发的文本到文本转换Transformer模型,参数规模2.2亿,支持多语言NLP任务。
大型语言模型 支持多种语言
T
google-t5
5.4M
702
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98