Dorna Llama3 8B Instruct Quantized4Bit

🚀 多纳-llama3-8B指令量化4位模型

本项目是一个专为高效内存使用而设计的模型仓库，提供了 多纳-llama3-8B指令 模型的4位量化版本。多纳模型是一个仅解码器模型，专门针对波斯语数据进行了训练和微调。此外，它还集成了 Flash Attention 2 技术，以实现更快的推理速度。

🚀 快速开始

你可以使用Transformers的自动类和 generate() 函数进行对话推理。以下是一个使用示例：

import torch
import transformers
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "amirMohammadi/Dorna-Llama3-8B-Instruct-Quantized4Bit"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

messages = [
    {"role": "system",
     "content": "You are a helpful Persian assistant. Please answer questions in the asked language."},
    {"role": "user", "content": "اصفهان بزرگ تر است یا قم؟"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

terminators = [
    tokenizer.eos_token_id,
    tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = model.generate(
    input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

✨ 主要特性

• 减少内存使用：4位量化降低了内存需求。
• 更快的推理速度：Flash Attention 2加速了处理过程。
• 易于部署：无需额外的库，如LlamaCPP或Candle。
• 即插即用：与Langchain、Haystack、LlamaIndex 2等兼容。
• 对Google Colab友好：可以在配备T4 GPU（GPU内存小于15GB）的Google Colab免费层上运行。

📚 详细文档

非量化版本的评估

本模型在各种任务的问题上进行了评估，包括布尔问题、代码生成、长文本响应、数学、新闻问答、释义、常识问答和摘要等。大多数类别通常有两个主要难度级别：困难和简单。

评估包括人工评估和自动评估（以GPT - 4作为评判）。

在以下表格中，Dorna - 8B - it 是 Dorna - Llama3 - 8B - Instruct 的缩写形式。

整体人工评估结果

基于类别的人工评估结果

每个类别报告了胜/败/平局的百分比。

自动评估结果

📄 许可证

本项目使用Llama3许可证。

💬 联系我们

如果您对本模型有任何疑问，可以通过 Hugging Face社区 与我们联系。