Pythia 410m

🚀 Pythia-410M

“Pythia Scaling Suite”是一组旨在促进可解释性研究的模型集合。它包含两组各八个不同规模的模型，为大语言模型的研究提供了丰富资源。

🚀 快速开始

Pythia模型可以通过以下代码加载和使用，以下是pythia - 70m - deduped第三个检查点的示例：

from transformers import GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

tokenizer = AutoTokenizer.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

inputs = tokenizer("Hello, I am", return_tensors="pt")
tokens = model.generate(**inputs)
tokenizer.decode(tokens[0])

修订/分支step143000 与每个模型main分支上的模型检查点完全对应。有关如何使用所有Pythia模型的更多信息，请参阅 GitHub上的文档。

✨ 主要特性

• 促进研究：Pythia Scaling Suite 专门为促进大语言模型的科学研究而设计，尤其是可解释性研究。
• 模型多样：包含两组各八个不同规模的模型（70M、160M、410M、1B、1.4B、2.8B、6.9B和12B），每个规模都有在Pile数据集上训练和在全局去重后的Pile数据集上训练的两个模型。
• 检查点丰富：每个模型提供154个中间检查点，托管在Hugging Face上作为分支，方便研究不同阶段的模型表现。
• 性能出色：尽管设计目标并非以提升下游性能为核心，但模型表现与同规模的其他模型（如OPT和GPT - Neo套件中的模型）相当或更优。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import GPTNeoXForCausalLM, AutoTokenizer

model = GPTNeoXForCausalLM.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

tokenizer = AutoTokenizer.from_pretrained(
  "EleutherAI/pythia-70m-deduped",
  revision="step3000",
  cache_dir="./pythia-70m-deduped/step3000",
)

inputs = tokenizer("Hello, I am", return_tensors="pt")
tokens = model.generate(**inputs)
tokenizer.decode(tokens[0])

高级用法

文档未提及高级用法示例，故跳过此部分。

📚 详细文档

模型详情

使用和限制

预期用途

Pythia的主要预期用途是研究大语言模型的行为、功能和局限性。该套件旨在为进行科学实验提供一个可控的环境。每个模型还提供154个检查点：初始 step0、10个对数间隔的检查点 step{1,2,4...512} 以及从 step1000 到 step143000 的143个均匀间隔的检查点。这些检查点托管在Hugging Face上作为分支。请注意，分支 143000 与每个模型 main 分支上的模型检查点完全对应。

你也可以进一步微调并调整Pythia - 410M以进行部署，只要你的使用符合Apache 2.0许可证。Pythia模型可与Hugging Face的 Transformers库 配合使用。如果你决定使用预训练的Pythia - 410M作为微调模型的基础，请自行进行风险和偏差评估。

非预期用途

Pythia套件 不 用于部署。它本身不是一个产品，不能用于面向人类的交互。例如，该模型可能会生成有害或冒犯性的文本。请评估与你特定用例相关的风险。

Pythia模型仅支持英语，不适合用于翻译或生成其他语言的文本。

Pythia - 410M未针对语言模型常见的下游场景进行微调，如撰写散文或商业聊天机器人。这意味着Pythia - 410M不会像ChatGPT这样的产品那样对给定提示做出响应。这是因为与该模型不同，ChatGPT使用了如基于人类反馈的强化学习（RLHF）等方法进行微调，以更好地“遵循”人类指令。

局限性和偏差

大语言模型的核心功能是接受一串文本并预测下一个标记。模型使用的标记不一定能产生最“准确”的文本。切勿依赖Pythia - 410M生成事实准确的输出。

该模型在 Pile 数据集上进行训练，该数据集已知包含亵渎性和淫秽或其他冒犯性的文本。有关性别、宗教和种族方面的记录偏差的讨论，请参阅 Pile论文的第6节。Pythia - 410M可能会产生社会不可接受或不良的文本，即使 提示本身不包含任何明确的冒犯性内容。

如果你打算使用通过例如托管推理API生成的文本，我们建议在将此语言模型的输出呈现给其他人之前，由人工对其进行审核。请告知你的受众该文本是由Pythia - 410M生成的。

训练

训练数据

Pile 是一个825GiB的英语通用数据集，由EleutherAI专门为训练大语言模型而创建。它包含来自22个不同来源的文本，大致分为五类：学术写作（如arXiv）、互联网（如CommonCrawl）、散文（如Project Gutenberg）、对话（如YouTube字幕）和其他（如GitHub、安然邮件）。有关所有数据源的细分、方法和伦理影响的讨论，请参阅 Pile论文。有关Pile及其组成数据集的更详细文档，请参阅 数据表。Pile可以从 官方网站 或 [社区镜像](https://the - eye.eu/public/AI/pile/) 下载。

在用于训练Pythia - 410M之前，Pile数据集 未 进行去重处理。

训练过程

所有模型都在完全相同的数据上以完全相同的顺序进行训练。每个模型在训练期间处理了299,892,736,000个标记，并且每个模型每2,097,152,000个标记保存143个检查点，这些检查点在训练过程中均匀分布，从 step1000 到 step143000（与 main 相同）。此外，我们还提供频繁的早期检查点：step0 和 step{1,2,4...512}。

这相当于非去重模型在Pile数据集上训练略少于1个周期，而去重后的Pile数据集上训练约1.5个周期。

所有 Pythia 模型以2M（2,097,152个标记）的批量大小训练了143000步。有关训练过程的更多详细信息，包括 [如何重现](https://github.com/EleutherAI/pythia/blob/main/README.md#reproducing - training)，请参阅 GitHub。Pythia使用与 [GPT - NeoX - 20B](https://huggingface.co/EleutherAI/gpt - neox - 20b) 相同的分词器。

评估

所有16个 Pythia 模型都使用 [LM Evaluation Harness](https://github.com/EleutherAI/lm - evaluation - harness) 进行评估。你可以在 GitHub仓库 的 results/json/* 中按模型和步骤访问评估结果。

展开以下部分，查看所有Pythia和Pythia - deduped模型与OPT和BLOOM相比的评估结果图。

LAMBADA – OpenAI

Physical Interaction: Question Answering (PIQA)

WinoGrande

AI2 Reasoning Challenge—Easy Set

SciQ

变更日志

本节比较了之前发布的 Pythia v0 与当前模型之间的差异。有关这些更改及其背后动机的进一步讨论，请参阅Pythia论文的附录B。我们发现重新训练Pythia对基准性能没有影响。

• 所有模型现在都以2M标记的统一批量大小进行训练。以前，参数为160M、410M和1.4B的模型以4M标记的批量大小进行训练。
• 除了每1000个训练步骤外，我们还在初始化时（step 0）和步骤 {1,2,4,8,16,32,64,128,256,512} 添加了检查点。
• 新的重新训练套件中使用了Flash Attention。
• 我们纠正了原始套件中存在的一个小不一致问题：所有参数为2.8B或更小的模型的学习率（LR）调度衰减到起始LR率的10%作为最小LR，但6.9B和12B模型都使用了衰减到最小LR为0的LR调度。在重新训练运行中，我们纠正了这个不一致问题：现在所有模型的LR都衰减到其最大LR的0.1倍作为最小值。

命名约定和参数数量

Pythia 模型在2023年1月进行了重命名。旧的命名约定可能仍意外存在于某些文档中。当前的命名约定（70M、160M等）基于总参数数量。

🔧 技术细节

文档未提供足够的技术实现细节（少于50字），故跳过此章节。

📄 许可证

本项目采用Apache 2.0许可证。