Japanese Gpt Neox 3.6b

🚀 日语GPT-NeoX 36亿参数模型

本项目提供了一个拥有36亿参数的日语GPT - NeoX模型，可用于文本生成等自然语言处理任务，为日语相关的NLP研究和应用提供了强大的支持。

🚀 快速开始

以下是使用该模型进行文本生成的示例代码：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("rinna/japanese-gpt-neox-3.6b")

if torch.cuda.is_available():
    model = model.to("cuda")

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=100,
        min_new_tokens=100,
        do_sample=True,
        temperature=0.8,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)
"""西田幾多郎は、この「絶対矛盾的自己同一」を「世界の自己同一」と置きかえ、さらに西田哲学を出発点として「絶対無」を「世界の成立」に変え、世界と自己を一つの統一物とみなす哲学として展開する。この世界と自己は絶対矛盾的自己同一として同一の性質を有し、同じ働きをする。西田哲学においては、この世界と自己は矛盾しあうのではなく、同一の性質をもっている。この世界と自己は同一である。絶対"""

✨ 主要特性

• 训练库：该模型基于 EleutherAI/gpt - neox 的代码进行训练。
• 模型架构：这是一个基于Transformer的语言模型，具有36层，隐藏层大小为2816。
• 预训练：模型在来自 日语CC - 100、日语C4 和 日语维基百科 的约 3125亿 个标记上进行训练，以优化传统的语言建模目标，最终验证困惑度达到 8.68。
• 模型系列：

  变体	链接
  36亿参数PPO	https://huggingface.co/rinna/japanese-gpt-neox-3.6b-instruction-ppo
  36亿参数SFT - v2	https://huggingface.co/rinna/japanese-gpt-neox-3.6b-instruction-sft-v2
  36亿参数SFT	https://huggingface.co/rinna/japanese-gpt-neox-3.6b-instruction-sft
  36亿参数预训练	https://huggingface.co/rinna/japanese-gpt-neox-3.6b

• 贡献者：赵天宇 和 泽田圭
• 发布日期：2023年3月17日

🔧 技术细节

分词器

该模型使用基于 sentencepiece 的分词器，具有以下特点：

• 分词器的词汇量为32000。
• 使用sentencepiece的字节回退功能，将未知文本片段分解为UTF - 8字节片段，避免产生 <UNK> 标记。
• 关闭了sentencepiece的 --add_dummy_prefix 选项，因此不会自动在文本前添加前导空格。例如：

  print(tokenizer.tokenize("吾輩は猫である"))
  # ['吾', '輩', 'は', '猫', 'である']
  # 而不是像rinna/japanese-gpt-1b那样输出 ['▁', '吾', '輩', 'は', '猫', 'である']
  

• 关闭了sentencepiece的 --remove_extra_whitespaces 选项，因此会保留前导、尾随及重复的空格。例如：

  print(tokenizer.tokenize("  吾輩は  猫である   "))
  # ['▁', '▁', '吾', '輩', 'は', '▁', '▁', '猫', 'である', '▁', '▁', '▁']
  # 而不是像rinna/japanese-gpt-1b那样输出 ['▁', '吾', '輩', 'は', '▁猫', 'である']
  

• 请务必设置 use_fast = False 以使上述功能正常工作。例如：

  good_tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b", use_fast=False)
  bad_tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b")
  
  print(good_tokenizer.decode(good_tokenizer.encode("გამარჯობა  吾輩は  猫である   ")))
  # 'გამარჯობა  吾輩は  猫である   </s>'
  print(bad_tokenizer.decode(bad_tokenizer.encode("გამარჯობა  吾輩は  猫である   ")))
  # 'გამარ[UNK]ობა 吾輩は 猫である </s>'
  

📚 详细文档

引用方式

如果您使用了该模型，请按照以下方式进行引用：

@misc{rinna-japanese-gpt-neox-3.6b,
    title = {rinna/japanese-gpt-neox-3.6b},
    author = {Zhao, Tianyu and Sawada, Kei},
    url = {https://huggingface.co/rinna/japanese-gpt-neox-3.6b}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

📄 许可证

本模型遵循 MIT许可证。