Mentallama Chat 7B Hf

🚀 MentaLLaMA-chat-7B

MentaLLaMA-chat-7B 是首个具备指令遵循能力、可用于可解释心理健康分析的开源大语言模型（LLM）系列 MentaLLaMA 项目的一部分。该模型基于 Meta LLaMA2-chat-7B 基础模型和完整的 IMHI 指令调优数据进行微调，旨在针对各种心理健康状况进行复杂的心理健康分析，并为每个预测结果提供可靠的解释。

🚀 快速开始

MentaLLaMA-chat-7B 可借助 Hugging Face Transformers 库在 Python 项目中使用。以下是加载该模型的简单示例：

from transformers import LlamaTokenizer, LlamaForCausalLM
tokenizer = LlamaTokenizer.from_pretrained('klyang/MentaLLaMA-chat-7B')
model = LlamaForCausalLM.from_pretrained('klyang/MentaLLaMA-chat-7B', device_map='auto')

在这个示例中，LlamaTokenizer 用于加载分词器，LlamaForCausalLM 用于加载模型。device_map='auto' 参数可在可用时自动使用 GPU。

✨ 主要特性

• 可解释的心理健康分析：能够针对各种心理健康状况进行复杂分析，并为预测结果提供可靠解释。
• 指令遵循能力：基于完整的 IMHI 指令调优数据进行微调，具备良好的指令遵循能力。
• 高性能表现：在 IMHI 基准测试中，使用 20K 测试样本进行了全面评估，结果显示该模型在正确性方面接近最先进的判别方法，并能生成高质量的解释。

📚 详细文档

模型概述

MentaLLaMA-chat-7B 基于 Meta LLaMA2-chat-7B 基础模型，在 75K 高质量自然语言指令的 IMHI 数据集上进行微调，以提升其在下游任务中的性能。

伦理考量

尽管 MentaLLaMA 在可解释心理健康分析方面表现出了有前景的性能，但我们强调，所有预测结果和生成的解释仅应用于非临床研究，寻求帮助者应从专业的精神科医生或临床从业者那里获得帮助。此外，近期研究表明大语言模型可能引入一些潜在偏差，如性别差距。同时，一些不正确的预测结果、不恰当的解释和过度概括也说明了当前大语言模型存在潜在风险。因此，将该模型应用于实际场景的心理健康监测系统仍面临诸多挑战。

MentaLLaMA 中的其他模型

除了 MentaLLaMA-chat-7B，MentaLLaMA 项目还包括其他模型：

• MentaLLaMA-chat-13B：基于 Meta LLaMA2-chat-13B 基础模型和完整的 IMHI 指令调优数据进行微调，训练数据涵盖 10 项心理健康分析任务。
• MentalBART：基于 BART-large 基础模型和完整的 IMHI 补全数据进行微调，训练数据涵盖 10 项心理健康分析任务。该模型不具备指令遵循能力，但更轻量级，在基于补全的可解释心理健康分析中表现良好。
• MentalT5：基于 T5-large 基础模型和完整的 IMHI 补全数据进行微调，训练数据涵盖 10 项心理健康分析任务。该模型不具备指令遵循能力，但更轻量级，在基于补全的可解释心理健康分析中表现良好。

📄 许可证

MentaLLaMA-chat-7B 采用 MIT 许可证。更多详情请参阅 MIT 文件。

🔖 引用

如果您在工作中使用了 MentaLLaMA-chat-7B，请引用我们的论文：

@misc{yang2023mentalllama,
      title={MentalLLaMA: Interpretable Mental Health Analysis on Social Media with Large Language Models}, 
      author={Kailai Yang and Tianlin Zhang and Ziyan Kuang and Qianqian Xie and Sophia Ananiadou},
      year={2023},
      eprint={2309.13567},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}