Sambalingo Serbian Chat

🚀 SambaLingo塞尔维亚语聊天模型

SambaLingo-Serbian-Chat是一个经过人类对齐的聊天模型，支持塞尔维亚语和英语。它基于基础模型 SambaLingo-Serbian-Base，使用直接偏好优化（Direct Preference Optimization）方法进行训练。基础模型通过在 Cultura-X 数据集的塞尔维亚语部分的170亿个标记上进行训练，将 Llama-2-7b 模型适配到塞尔维亚语。你可以在 SambaLingo-chat-space 尝试使用这个模型。

🚀 快速开始

使用Hugging Face加载模型

加载分词器时，请确保设置 use_fast=False。

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", torch_dtype="auto")

与模型管道交互

加载分词器时，请确保设置 use_fast=False。

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", use_fast=False)
messages = [
                {"role": "user", "content": {YOUR_QUESTION}},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt)[0]
outputs = outputs["generated_text"]

建议的推理参数

• 温度（Temperature）：0.8
• 重复惩罚（Repetition penalty）：1.0
• 核采样概率（Top-p）：0.9

提示指南

要使用此模型进行提示，请使用以下聊天模板：

<|user|>\n{question}</s>\n<|assistant|>\n

示例提示和生成结果

<|user|>
Od kada datiraju prva naselja na prostoru danasnjeg Beograda, i kada je grad osnovan?</s>
<|assistant|>
Beograd su naseljavali ljudi još u praistoriji, a prva naselja datiraju iz neolitskih vremena, pre oko 7.000 godina. Međutim, grad Beograd nije osnovan upravo u to vreme, već u srednjem veku, kada su Srbi u 9. veku osnovali srednjovekovni grad Beograd, na mestu današnjeg Kalemegdana. Grad je kasnije pretrpeo razna oсвајања, razaranja i obnavljanja, da bi se na kraju razvio u značajnu evropsku metropolu.

✨ 主要特性

• 多语言支持：支持塞尔维亚语和英语，可在两种语言之间灵活切换。
• 人类对齐：经过直接偏好优化训练，生成的回复更符合人类偏好。

📦 安装指南

文档中未提及具体安装步骤，可参考上述快速开始部分加载模型。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", torch_dtype="auto")

高级用法

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Serbian-Chat", device_map="auto", use_fast=False)
messages = [
                {"role": "user", "content": {YOUR_QUESTION}},
]
prompt = pipe.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt)[0]
outputs = outputs["generated_text"]

📚 详细文档

模型描述

• 开发者：SambaNova Systems
• 模型类型：语言模型
• 支持语言：塞尔维亚语、英语
• 微调基础模型：Llama-2-7b
• 试用模型：SambaLingo-chat-space
• 相关论文：SambaLingo: Teaching Large Language Models New Languages
• 博客文章：sambalingo-open-source-language-experts

训练细节

对齐阶段遵循 Zephyr-7B 的方法，包括两个阶段：监督微调（SFT）和直接性能优化（DPO）。

• SFT阶段：在 ultrachat_200k 数据集和其谷歌翻译版本的混合数据集上进行训练。训练一个周期，全局批量大小为512，最大序列长度为2048个标记。使用线性衰减学习率2e-5和10%的热身。
• DPO阶段：在 ultrafeedback 数据集和 cai-conversation-harmless 数据集上进行训练，混合了10%的谷歌翻译数据。全局批量大小为32，训练三个周期。使用线性衰减学习率5e-7，10%的热身，DPO的正则化因子β=0.1。

分词器细节

通过添加来自新语言的多达25,000个非重叠标记，将基础Llama模型的词汇量从32,000个标记扩展到57,000个标记。

评估

评估结果请参考论文：SambaLingo: Teaching Large Language Models New Languages

使用方式

直接使用

此模型的使用受Meta的 Llama 2社区许可协议 约束。请在下载模型权重之前查看并接受许可协议。

不适用场景

SambaLingo不应用于以下场景：

• 关键任务应用
• 涉及他人安全的应用
• 做出高度重要决策的应用

偏差、风险和局限性

与所有大语言模型一样，SambaLingo存在一定的局限性：

• 幻觉问题：模型有时可能会生成听起来合理但事实错误或无关的信息。
• 代码切换：模型可能会在单个回复中无意地在语言或方言之间切换，影响输出的连贯性和可理解性。
• 重复问题：模型可能会产生重复的短语或句子，导致回复的吸引力和信息量降低。
• 编码和数学能力：模型在生成准确代码或解决复杂数学问题方面的性能可能有限。
• 毒性问题：模型可能会无意中生成包含不适当或有害内容的回复。

🔧 技术细节

• 对齐方法：采用直接偏好优化（DPO）和监督微调（SFT）相结合的方法。
• 词汇扩展：将基础Llama模型的词汇量从32,000扩展到57,000。

📄 许可证

本模型使用Llama 2许可证。

致谢

我们衷心感谢开源AI社区；没有开源，这项工作是不可能完成的。SambaNova支持开源社区，并希望积极为这一倡议做出贡献。

我们特别感谢以下组织和团队：

• Meta开源了Llama 2和FLORES-200数据集。
• Nguyen等人开源了CulturaX数据集。
• CohereAI发布了AYA-101并开源了多语言指令调整数据集。
• EleutherAI提供了开源评估框架。
• Hugging Face-H4团队开源了Zephyr训练方法和对齐手册仓库。

引用SambaLingo

@misc{csaki2024sambalingo,
      title={SambaLingo: Teaching Large Language Models New Languages}, 
      author={Zoltan Csaki and Bo Li and Jonathan Li and Qiantong Xu and Pian Pawakapan and Leon Zhang and Yun Du and Hengyu Zhao and Changran Hu and Urmish Thakker},
      year={2024},
      eprint={2404.05829},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}