Mistral 7B Instruct Ukrainian

🚀 Mistral-7B-Instruct-Ukrainian 模型卡片

Mistral-7B-UK 是一个针对乌克兰语进行微调的大语言模型。该模型通过以下方式进行训练：

1. 使用结构化和非结构化数据集对 Mistral-7B-v0.2 进行初始微调。
2. 将微调后的模型与在 OpenLLM 基准测试中表现优于 Mistral-7B-v0.2 的模型 NeuralTrix-7B 进行 SLERP 合并。
3. 对最终模型进行直接偏好优化（DPO）。

🚀 快速开始

指令格式

为了利用指令微调的优势，您的提示应使用 [INST] 和 [/INST] 标记进行包围。

例如：

text = "[INST]Відповідайте лише буквою правильної відповіді: Елементи експресіонізму наявні у творі: A. «Камінний хрест», B. «Інститутка», C. «Маруся», D. «Людина»[/INST]"

这种格式可以通过 apply_chat_template() 方法作为 聊天模板 使用：

模型架构

此指令模型基于 Mistral-7B-v0.2，这是一个具有以下架构选择的 Transformer 模型：

• 分组查询注意力（Grouped-Query Attention）
• 滑动窗口注意力（Sliding-Window Attention）
• 字节回退 BPE 分词器（Byte-fallback BPE tokenizer）

数据集

结构化数据集

• UA-SQUAD
• Ukrainian StackExchange
• UAlpaca Dataset
• Ukrainian Subset from Belebele Dataset
• Ukrainian Subset from XQA
• ZNO Dataset provided in UNLP 2024 shared task

非结构化数据集

• 乌克兰语维基百科

DPO 数据集

• distilabel-indel-orca-dpo-pairs 的乌克兰语翻译版本

💻 使用示例

基础用法

!pip install -qU transformers accelerate

from transformers import AutoTokenizer
import transformers
import torch

model = "SherlockAssistant/Mistral-7B-Instruct-Ukrainian"
messages = [{"role": "user", "content": "What is a large language model?"}]

tokenizer = AutoTokenizer.from_pretrained(model)
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

outputs = pipeline(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])

📚 详细文档

引用

如果您在研究中使用此模型并发表论文，请引用我们的论文：

BibTeX 格式

@inproceedings{boros-chivereanu-dumitrescu-purcaru-2024-llm-uk,
    title = "Fine-tuning and Retrieval Augmented Generation for Question Answering using affordable Large Language Models",
    author = "Boros, Tiberiu and Chivereanu, Radu and Dumitrescu, Stefan Daniel and Purcaru, Octavian",
    booktitle = "Proceedings of the Third Ukrainian Natural Language Processing Workshop, LREC-COLING",
    month = may,
    year = "2024",
    address = "Torino, Italy",
    publisher = "European Language Resources Association",
}

APA 格式 Boros, T., Chivereanu, R., Dumitrescu, S., & Purcaru, O. (2024). Fine-tuning and Retrieval Augmented Generation for Question Answering using affordable Large Language Models. In Proceedings of the Third Ukrainian Natural Language Processing Workshop, LREC-COLING. European Language Resources Association.

MLA 格式 Boros, Tiberiu, Radu, Chivereanu, Stefan Daniel, Dumitrescu, Octavian, Purcaru. "Fine-tuning and Retrieval Augmented Generation for Question Answering using affordable Large Language Models." Proceedings of the Third Ukrainian Natural Language Processing Workshop, LREC-COLING. European Language Resources Association, 2024.

芝加哥格式 Boros, Tiberiu, Radu, Chivereanu, Stefan Daniel, Dumitrescu, and Octavian, Purcaru. "Fine-tuning and Retrieval Augmented Generation for Question Answering using affordable Large Language Models." . In Proceedings of the Third Ukrainian Natural Language Processing Workshop, LREC-COLING. European Language Resources Association, 2024.

📄 许可证

本项目采用 Apache-2.0 许可证。