Gemma 2 9b It

🚀 Gemma 2模型卡片

Gemma是谷歌推出的一系列轻量级、最先进的开放模型。它基于与Gemini模型相同的研究和技术构建，适用于多种文本生成任务，如问答、摘要和推理等。其相对较小的规模使其能够在资源有限的环境中部署，让更多人能够使用到最先进的AI模型。

🚀 快速开始

要在Hugging Face上访问Gemma，你需要查看并同意Google的使用许可。请确保你已登录Hugging Face，然后点击下方按钮。请求将立即处理。 确认许可

安装依赖库

首先，使用以下命令安装Transformers库：

pip install -U transformers

运行模型示例

使用pipeline API运行

import torch
from transformers import pipeline

pipe = pipeline(
    "text-generation",
    model="google/gemma-2-9b-it",
    model_kwargs={"torch_dtype": torch.bfloat16},
    device="cuda",  # 若在Mac设备上运行，可替换为 "mps"
)

messages = [
    {"role": "user", "content": "你是谁？请用海盗的口吻回答。"},
]

outputs = pipe(messages, max_new_tokens=256)
assistant_response = outputs[0]["generated_text"][-1]["content"].strip()
print(assistant_response)
# 啊哈，伙计！我乃Gemma，数字世界的无赖，语言海洋的鹦鹉。我在此为你排忧解难，回答你的问题，讲述数字世界的故事。那么，你有何需求，嗯？ 🦜

在单GPU或多GPU上运行模型

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

input_text = "为我写一首关于机器学习的诗。"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0]))

你可以使用tokenizer.apply_chat_template来确保应用正确的聊天模板，如下所示：

messages = [
    {"role": "user", "content": "为我写一首关于机器学习的诗。"},
]
input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt", return_dict=True).to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=256)
print(tokenizer.decode(outputs[0]))

在GPU上使用不同精度运行模型

此模型的原生权重以bfloat16精度导出。 如果你跳过指定数据类型，也可以使用float32，但不会提高精度（模型权重只会被转换为float32）。以下是示例：

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    device_map="auto",
)

input_text = "为我写一首关于机器学习的诗。"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0]))

通过命令行界面（CLI）运行模型

local-gemma仓库包含一个围绕Transformers的轻量级包装器，用于通过命令行界面运行Gemma 2。按照安装说明开始使用，然后通过以下命令启动CLI：

local-gemma --model 9b --preset speed

通过bitsandbytes使用量化版本

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    quantization_config=quantization_config,
)

input_text = "为我写一首关于机器学习的诗。"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0]))

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_4bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    quantization_config=quantization_config,
)

input_text = "为我写一首关于机器学习的诗。"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0]))

高级用法

import os
os.environ["TOKENIZERS_PARALLELISM"] = "false"

from transformers import AutoTokenizer, Gemma2ForCausalLM
from transformers.cache_utils import HybridCache
import torch

torch.set_float32_matmul_precision("high")

# 加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = Gemma2ForCausalLM.from_pretrained("google/gemma-2-9b-it", torch_dtype=torch.bfloat16)
model.to("cuda")

# 应用Torch编译转换
model.forward = torch.compile(model.forward, mode="reduce-overhead", fullgraph=True)

# 预处理输入
input_text = "狭义相对论指出 "
model_inputs = tokenizer(input_text, return_tensors="pt").to("cuda")
prompt_length = model_inputs.input_ids.shape[1]

# 设置键值缓存
past_key_values = HybridCache(
    config=model.config,
    max_batch_size=1,
    max_cache_len=model.config.max_position_embeddings,
    device=model.device,
    dtype=model.dtype
)

# 启用将键值缓存传递给生成过程
model._supports_cache_class = True
model.generation_config.cache_implementation = None

# 两个预热步骤
for idx in range(2):
    outputs = model.generate(**model_inputs, past_key_values=past_key_values, do_sample=True, temperature=1.0, max_new_tokens=128)
    past_key_values.reset()

# 快速运行
outputs = model.generate(**model_inputs, past_key_values=past_key_values, do_sample=True, temperature=1.0, max_new_tokens=128)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

聊天模板

经过指令微调的模型使用一种聊天模板，在进行对话时必须遵循该模板。应用它的最简单方法是使用分词器的内置聊天模板，如下所示。

让我们加载模型并将聊天模板应用于对话。在这个例子中，我们将从单个用户交互开始：

from transformers import AutoTokenizer, AutoModelForCausalLM
import transformers
import torch

model_id = "google/gemma-2-9b-it"
dtype = torch.bfloat16

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="cuda",
    torch_dtype=dtype,)

chat = [
    { "role": "user", "content": "编写一个Hello World程序" },
]
prompt = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)

此时，提示包含以下文本：

<bos><start_of_turn>user
编写一个Hello World程序<end_of_turn>
<start_of_turn>model

如你所见，每个回合前面都有一个<start_of_turn>分隔符，然后是实体的角色（user表示用户提供的内容，model表示大语言模型的响应）。回合以<end_of_turn>标记结束。

如果你需要在不使用分词器的聊天模板的情况下手动构建提示，可以遵循此格式。

提示准备好后，可以按如下方式进行生成：

inputs = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt")
outputs = model.generate(input_ids=inputs.to(model.device), max_new_tokens=150)
print(tokenizer.decode(outputs[0]))

输入和输出

• 输入：文本字符串，例如问题、提示或要总结的文档。
• 输出：针对输入生成的英文文本，例如问题的答案或文档的摘要。

引用

@article{gemma_2024,
    title={Gemma},
    url={https://www.kaggle.com/m/3301},
    DOI={10.34740/KAGGLE/M/3301},
    publisher={Kaggle},
    author={Gemma Team},
    year={2024}
}

✨ 主要特性

• 轻量级与高性能：Gemma是一系列轻量级的开放模型，具备先进的性能，能够在资源有限的环境中高效运行。
• 多任务处理能力：适用于多种文本生成任务，包括问答、摘要和推理等。
• 开放权重：提供预训练和指令微调变体的开放权重，方便开发者进行定制和扩展。
• 支持多种运行方式：可以通过pipeline API、单GPU或多GPU、命令行界面等多种方式运行。
• 量化支持：支持通过bitsandbytes进行8位和4位量化，进一步减少内存占用。
• 高级优化：支持Torch编译，可显著提高推理速度。

📦 安装指南

使用以下命令安装Transformers库：

pip install -U transformers

💻 使用示例

基础用法

import torch
from transformers import pipeline

pipe = pipeline(
    "text-generation",
    model="google/gemma-2-9b-it",
    model_kwargs={"torch_dtype": torch.bfloat16},
    device="cuda",  # 若在Mac设备上运行，可替换为 "mps"
)

messages = [
    {"role": "user", "content": "你是谁？请用海盗的口吻回答。"},
]

outputs = pipe(messages, max_new_tokens=256)
assistant_response = outputs[0]["generated_text"][-1]["content"].strip()
print(assistant_response)
# 啊哈，伙计！我乃Gemma，数字世界的无赖，语言海洋的鹦鹉。我在此为你排忧解难，回答你的问题，讲述数字世界的故事。那么，你有何需求，嗯？ 🦜

高级用法

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-9b-it")
model = AutoModelForCausalLM.from_pretrained(
    "google/gemma-2-9b-it",
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

input_text = "为我写一首关于机器学习的诗。"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0]))

📚 详细文档

模型信息

描述

Gemma是谷歌推出的一系列轻量级、最先进的开放模型，基于与Gemini模型相同的研究和技术构建。它们是文本到文本、仅解码器的大语言模型，支持英文，提供预训练和指令微调变体的开放权重。Gemma模型适用于多种文本生成任务，包括问答、摘要和推理等。其相对较小的规模使其能够在资源有限的环境中部署，如笔记本电脑、台式机或你自己的云基础设施，让更多人能够使用到最先进的AI模型，促进创新。

模型数据

训练数据集

这些模型在包含多种来源的文本数据集上进行训练。27B模型使用13万亿个标记进行训练，9B模型使用8万亿个标记进行训练。主要组成部分包括：

• 网络文档：多样化的网络文本集合确保模型接触到广泛的语言风格、主题和词汇。主要是英文内容。
• 代码：让模型接触代码有助于学习编程语言的语法和模式，提高生成代码或理解与代码相关问题的能力。
• 数学：在数学文本上进行训练有助于模型学习逻辑推理、符号表示和解决数学查询。

这些多样化数据源的组合对于训练一个强大的语言模型至关重要，使其能够处理各种不同的任务和文本格式。

数据预处理

对训练数据应用了以下关键的数据清理和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用了严格的CSAM（儿童性虐待材料）过滤，以确保排除有害和非法内容。
• 敏感数据过滤：为了使Gemma预训练模型安全可靠，使用自动化技术从训练集中过滤掉某些个人信息和其他敏感数据。
• 其他方法：根据内容质量和安全性进行过滤，符合我们的政策。

实现信息

硬件

Gemma使用最新一代的张量处理单元（TPU）硬件（TPUv5p）进行训练。

训练大语言模型需要大量的计算能力。TPU专门为机器学习中常见的矩阵运算而设计，在这个领域具有以下优势：

• 性能：TPU专门用于处理训练大语言模型所需的大量计算。与CPU相比，它们可以显著加快训练速度。
• 内存：TPU通常配备大量的高带宽内存，允许在训练过程中处理大型模型和批量大小。这有助于提高模型质量。
• 可扩展性：TPU Pod（大型TPU集群）为处理大型基础模型不断增长的复杂性提供了可扩展的解决方案。你可以在多个TPU设备上分布训练，以实现更快、更高效的处理。
• 成本效益：在许多情况下，与基于CPU的基础设施相比，TPU可以为训练大型模型提供更具成本效益的解决方案，特别是考虑到由于更快的训练速度而节省的时间和资源。
• 这些优势与谷歌的可持续运营承诺相一致。

软件

使用JAX和ML Pathways进行训练。

JAX允许研究人员利用最新一代的硬件（包括TPU），以更快、更高效地训练大型模型。

ML Pathways是谷歌构建能够跨多个任务进行泛化的人工智能系统的最新努力。这特别适用于基础模型，包括像这样的大语言模型。

JAX和ML Pathways一起使用，如关于Gemini系列模型的论文中所述：“Jax和Pathways的‘单控制器’编程模型允许单个Python进程编排整个训练过程，大大简化了开发工作流程。”

评估

基准测试结果

这些模型在大量不同的数据集和指标上进行评估，以涵盖文本生成的各个方面：

伦理与安全

评估方法

我们的评估方法包括结构化评估和对相关内容政策的内部红队测试。红队测试由多个不同的团队进行，每个团队有不同的目标和人类评估指标。这些模型在与伦理和安全相关的多个不同类别上进行评估，包括：

• 文本到文本内容安全：对涵盖安全政策的提示进行人类评估，包括儿童性虐待和剥削、骚扰、暴力和血腥以及仇恨言论。
• 文本到文本代表性伤害：与相关学术数据集（如WinoBias和BBQ数据集）进行基准测试。
• 记忆：对训练数据的记忆进行自动化评估，包括个人可识别信息暴露的风险。
• 大规模伤害：测试“危险能力”，如化学、生物、放射性和核（CBRN）风险。

评估结果

伦理和安全评估的结果在可接受的阈值范围内，符合内部政策中关于儿童安全、内容安全、代表性伤害、记忆、大规模伤害等类别。除了强大的内部评估外，还展示了知名安全基准测试（如BBQ、BOLD、Winogender、Winobias、RealToxicity和TruthfulQA）的结果。

Gemma 2.0

使用和限制

预期用途

开放大语言模型（LLM）在各个行业和领域有广泛的应用。以下潜在用途列表并不全面。该列表的目的是提供有关模型创建者在模型训练和开发过程中考虑的可能用例的上下文信息。

• 内容创作和通信
  • 文本生成：这些模型可用于生成创意文本格式，如诗歌、脚本、代码、营销文案和电子邮件草稿。
  • 聊天机器人和对话式AI：为客户服务、虚拟助手或交互式应用程序提供对话界面。
  • 文本摘要：生成文本语料库、研究论文或报告的简洁摘要。
• 研究和教育
  • 自然语言处理（NLP）研究：这些模型可作为研究人员试验NLP技术、开发算法和推动该领域发展的基础。
  • 语言学习工具：支持交互式语言学习体验，帮助进行语法纠正或提供写作练习。
  • 知识探索：通过生成摘要或回答关于特定主题的问题，帮助研究人员探索大量文本。

局限性

• 训练数据
  • 训练数据的质量和多样性显著影响模型的能力。训练数据中的偏差或差距可能导致模型响应的局限性。
  • 训练数据集的范围决定了模型能够有效处理的主题领域。
• 上下文和任务复杂性
  • 大语言模型更擅长可以用明确提示和指令描述的任务。开放式或高度复杂的任务可能具有挑战性。
  • 模型的性能可能受到提供的上下文量的影响（在一定程度上，更长的上下文通常会导致更好的输出）。
• 语言歧义与细微差别
  • 自然语言本质上是复杂的。大语言模型可能难以理解微妙的细微差别、讽刺或比喻语言。
• 事实准确性
  • 大语言模型根据从训练数据集中学到的信息生成响应，但它们不是知识库。它们可能生成不正确或过时的事实陈述。
• 常识
  • 大语言模型依赖于语言中的统计模式。它们可能在某些情况下缺乏应用常识推理的能力。

伦理考虑和风险

大语言模型（LLM）的开发引发了一些伦理问题。在创建开放模型时，我们仔细考虑了以下方面：

• 偏差和公平性
  • 在大规模、真实世界文本数据上训练的大语言模型可能反映训练材料中嵌入的社会文化偏差。这些模型经过了仔细审查，本卡片中描述了输入数据的预处理和后续评估。
• 错误信息和滥用
  • 大语言模型可能被滥用来生成虚假、误导或有害的文本。
  • 提供了负责任使用模型的指南，请参阅负责任的生成式AI工具包。
• 透明度和问责制
  • 本模型卡片总结了模型的架构、能力、局限性和评估过程的详细信息。
  • 一个负责任开发的开放模型为AI生态系统中的开发者和研究人员提供了分享创新和使用大语言模型技术的机会。

已识别的风险和缓解措施

• 偏差的延续：鼓励在模型训练、微调等用例中进行持续监控（使用评估指标、人工审查）并探索去偏差技术。
• 有害内容的生成：内容安全的机制和指南至关重要。鼓励开发者谨慎行事，并根据其特定的产品政策和应用用例实施适当的内容安全保障措施。
• 恶意用途：技术限制以及对开发者和最终用户的教育有助于减轻大语言模型的恶意应用。提供教育资源和用户举报滥用行为的机制。Gemma模型的禁止使用情况在Gemma禁止使用政策中列出。
• 隐私侵犯：模型在经过过滤以去除个人可识别信息（PII）的数据上进行训练。鼓励开发者遵守隐私法规并使用隐私保护技术。

优势

在发布时，与类似规模的模型相比，这一系列模型提供了高性能的开放大语言模型实现，从底层设计上就考虑了负责任的AI开发。

使用本文档中描述的基准评估指标，这些模型表现出优于其他类似规模开放模型替代方案的性能。

🔧 技术细节

硬件

Gemma使用最新一代的张量处理单元（TPU）硬件（TPUv5p）进行训练。TPU专门为机器学习中常见的矩阵运算而设计，在训练大语言模型方面具有显著优势，包括高性能、大内存、可扩展性和成本效益等。

软件

训练使用JAX和ML Pathways进行。JAX允许研究人员利用最新一代的硬件（包括TPU）进行更快、更高效的大型模型训练。ML Pathways是谷歌构建能够跨多个任务进行泛化的人工智能系统的最新努力，特别适用于基础模型，包括像Gemma这样的大语言模型。

模型架构

Gemma是文本到文本、仅解码器的大语言模型，基于与Gemini模型相同的研究和技术构建。

训练过程

模型在包含多种来源的文本数据集上进行训练，27B模型使用13万亿个标记进行训练，9B模型使用8万亿个标记进行训练。训练过程中应用了严格的数据清理和过滤方法，包括CSAM过滤、敏感数据过滤等，以确保模型的安全性和可靠性。

评估指标

使用多种基准测试数据集和指标对模型进行评估，包括MMLU、HellaSwag、PIQA等，以评估模型在不同任务和领域的性能。

优化策略

• 量化：支持通过bitsandbytes进行8位和4位量化，减少内存占用。
• Torch编译：利用Torch编译技术加速模型推理，提高运行速度。

📄 许可证

本模型的使用需遵循Gemma使用许可。

其他资源

• 模型页面：Gemma
• 资源和技术文档
  • 负责任的生成式AI工具包
  • Kaggle上的Gemma
  • Vertex模型花园中的Gemma
• 使用条款：条款
• 作者：Google