Nekomata 14b

🚀 rinna/nekomata-14b

本项目基于日语和英语混合数据集的660亿个标记，对qwen-14b进行持续预训练，显著提升了模型在日语任务上的表现。

🚀 快速开始

本模型是在qwen-14b的基础上，在日语和英语混合数据集的660亿标记上进行持续预训练得到的。持续预训练显著提升了模型在日语任务上的性能，同时还具备原Qwen模型的以下出色特性：

• 包含广泛的Qwen词汇表（词汇量 > 150k），使模型处理日语文本的效率比之前发布的youri系列更高。
• 模型支持的最大序列长度为8192。

nekomata这个名字来源于日语单词猫又/ねこまた/Nekomata，它是一种日本神话生物（妖怪/ようかい/Youkai）。

✨ 主要特性

训练相关

• 使用库：该模型使用基于aws-neuron/neuronx-nemo-megatron的代码进行训练。
• 模型架构：这是一个基于Transformer的40层、隐藏层大小为5120的语言模型。有关架构细节，请参考Qwen论文。
• 持续预训练：模型以qwen-14b为基础进行初始化，并在以下混合语料库的约660亿标记上进行持续训练：
  • Japanese CC-100
  • Japanese C4
  • Japanese OSCAR
  • The Pile
  • Wikipedia
  • rinna策划的日语数据集
• 训练基础设施：nekomata-14B在由AWS Trainium专用机器学习加速芯片驱动的16个Amazon EC2 trn1.32xlarge实例节点上进行训练。预训练任务在大约7天的时间内完成。
• 贡献者：
  • Tianyu Zhao
  • Akio Kaga
  • Kei Sawada
• 发布日期：2023年12月21日

基准测试

请参考rinna的语言模型基准测试页面（2023年12月21日工作表）。

💻 使用示例

基础用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/nekomata-14b", trust_remote_code=True)

# 使用GPU和bf16
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True, bf16=True)

# 使用GPU和fp16
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True, fp16=True)

# 使用CPU
# model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="cpu", trust_remote_code=True)

# 自动选择设备和精度
model = AutoModelForCausalLM.from_pretrained("rinna/nekomata-14b", device_map="auto", trust_remote_code=True)

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=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        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)

📚 详细文档

分词

该模型使用原始的Qwen分词器。它在cl100k tiktoken分词器的基础上进行了扩展，词汇量为151,936。广泛的词汇表有助于模型实现更好的分词效率，特别是对于日语文本。

我们在不同的文本集合上比较了Qwen分词器（nekomata中使用）和llama-2分词器（youri中使用），发现Qwen分词器实现了更好的字节到标记率（即每1字节文本产生的平均标记数），如下所示。较低的字节到标记率表示更好的分词效率。

引用方式

@misc{rinna-nekomata-14b,
    title = {rinna/nekomata-14b},
    author = {Zhao, Tianyu and Kaga, Akio and Sawada, Kei},
    url = {https://huggingface.co/rinna/nekomata-14b}
}

@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

通义千问许可协议