Sambalingo Hungarian Chat

🚀 SambaLingo匈牙利语聊天模型

SambaLingo匈牙利语聊天模型是一个经过人类对齐的聊天模型，支持匈牙利语和英语。它基于基础模型SambaLingo-Hungarian-Base，通过直接偏好优化进行训练。基础模型则是将Llama-2-7b适配到匈牙利语，在来自Cultura-X数据集匈牙利语部分的590亿个标记上进行训练。你可以在SambaLingo-chat-space尝试使用此模型。

🚀 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-Hungarian-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Hungarian-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-Hungarian-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

提示模板

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

提示示例和生成结果

<|user|>
Mi a jelentőssége a magyar szürkemarhának?</s>
<|assistant|>
A magyar szürkemarha jelentős kulturális és gazdasági jelentőséggel bír Magyarország számára. Íme néhány ok, amiért:

1. Kulturális örökség: A magyar szürkemarha a magyar kultúra és örökség szimbóluma. A fajta évszázadok óta létezik, és a magyar puszta ikonikus szimbólumává vált.

2. Élelmiszer: A magyar szürkemarha húsa és teje kiváló minőségű, és keresett a magyar és a nemzetközi piacokon. A hús sovány, zsírszegény, és magas a fehérje- és vastartalma.

3. Turizmus: A magyar szürkemarha fontos turisztikai attrakció Magyarországon. A látogatók szívesen látogatják a szürkemarha farmokat, és megismerkednek a fajta történetével és tenyésztésével.

4. Génmegőrzés: A magyar szürkemarha fontos génmegőrző faj, amely segít megőrizni a hagyományos gazdálkodási gyakorlatokat és a helyi ökoszisztémákat.

5. Gazdasági hatás: A magyar szürkemarha fontos gazdasági tevékenység Magyarország számára. A fajta tenyésztése és feldolgozása munkahelyeket teremt, és bevételt generál a gazdálkodók és a feldolgozók számára.

Összességében a magyar szürkemarha jelentős kulturális, gazdasági és ökológiai jelentőséggel bír Magyarország számára. A fajta megőrzése és népszerűsítése fontos a magyar kultúra és örökség, valamint a helyi gazdaság és ökoszisztémák szempontjából.

✨ 主要特性

• 支持匈牙利语和英语两种语言。
• 基于强大的Llama-2-7b模型进行适配和优化。
• 通过直接偏好优化进行训练，更符合人类偏好。

📦 安装指南

该模型可通过Hugging Face的transformers库进行加载，具体安装命令如下：

from transformers import AutoModelForCausalLM, AutoTokenizer

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

📚 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：匈牙利语、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的训练方法，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Google翻译后的版本上进行训练。训练一个epoch，全局批次大小为512，最大序列长度为2048个标记。使用线性衰减学习率2e-5，预热比例为10%。

DPO阶段在ultrafeedback数据集和cai-conversation-harmless数据集上进行训练，其中10%的数据经过Google翻译。训练三个epoch，全局批次大小为32。使用线性衰减学习率5e-7，预热比例为10%，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最多25,000个非重叠标记，将基础Llama模型的词汇表从32,000个标记扩展到57,000个标记。

评估

评估结果请参考我们的论文：SambaLingo: Teaching Large Language Models New Languages

使用方式

直接使用

使用此模型需遵守Meta的Llama 2社区许可协议。请在下载模型权重前仔细阅读并接受许可协议。

超出适用范围的使用

SambaLingo不应用于以下场景：

• 关键任务应用程序。
• 涉及他人安全的应用程序。
• 做出高度重要决策的场景。

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：模型有时可能生成听起来合理但事实上不正确或无关的信息。
• 代码切换：模型可能在单个回复中无意地在不同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。

致谢

我们衷心感谢开源AI社区；没有开源，这项工作将无法完成。SambaNova支持开源社区，并希望积极为这一倡议做出贡献。

特别感谢以下团队：

• 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优数据集。
• 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}
}

📄 许可证

本模型使用Llama 2许可证。