Gemma 2 2b It Tool Think

🚀 语言模型微调项目

本项目是一个基于transformers库的文本生成模型微调项目，将基础模型与PEFT微调模型合并，形成独立可用的模型。该模型可用于文本生成任务，尤其在特定领域的文本输出上表现出色。

🚀 快速开始

使用以下代码开始使用该模型：

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from transformers import pipeline
import torch
model_id = "langdai/gemma-2-2b-it-tool-think"
model = AutoModelForCausalLM.from_pretrained(model_id,
                                             device_map="cuda:0",
                                            ) # For GPU
tokenizer = AutoTokenizer.from_pretrained(model_id)
# model.to(torch.bfloat16)
model.eval()
generator = pipeline("text-generation", model= model, tokenizer= tokenizer)

高级用法

prompt="""<bos><start_of_turn>human
You are a function calling AI model. You are provided with function signatures within <tools></tools> XML tags.You may call one or more functions to assist with the user query. Don't make assumptions about what values to plug into functions.Here are the available tools:<tools> [{'type': 'function', 'function': {'name': 'convert_currency', 'description': 'Convert from one currency to another', 'parameters': {'type': 'object', 'properties': {'amount': {'type': 'number', 'description': 'The amount to convert'}, 'from_currency': {'type': 'string', 'description': 'The currency to convert from'}, 'to_currency': {'type': 'string', 'description': 'The currency to convert to'}}, 'required': ['amount', 'from_currency', 'to_currency']}}}, {'type': 'function', 'function': {'name': 'calculate_distance', 'description': 'Calculate the distance between two locations', 'parameters': {'type': 'object', 'properties': {'start_location': {'type': 'string', 'description': 'The starting location'}, 'end_location': {'type': 'string', 'description': 'The ending location'}}, 'required': ['start_location', 'end_location']}}}] </tools>Use the following pydantic model json schema for each tool call you will make: {'title': 'FunctionCall', 'type': 'object', 'properties': {'arguments': {'title': 'Arguments', 'type': 'object'}, 'name': {'title': 'Name', 'type': 'string'}}, 'required': ['arguments', 'name']}For each function call return a json object with function name and arguments within <tool_call></tool_call> XML tags as follows:
<tool_call>
{tool_call}
</tool_call>Also, before making a call to a function take the time to plan the function to take. Make that thinking process between <think>{your thoughts}</think>

Hi, I need to convert 500 INR to Euros. Can you help me with that?<end_of_turn><eos>
<start_of_turn>model
<think>"""

output = generator([{"role": "user", "content": prompt}], max_new_tokens=512, return_full_text=False)[0]

print(output)

✨ 主要特性

• 该模型是将PEFT微调模型与基础模型合并后的独立模型。
• 可用于文本生成任务，能根据给定的工具进行函数调用辅助用户查询。

📦 安装指南

文档未提及具体安装步骤，可参考transformers库的官方安装文档进行安装。

📚 详细文档

模型详情

• 开发者：[Liching]
• 资助方：[hobby]
• 模型类型：文本生成
• 支持语言：英语
• 许可证：MIT
• 微调基础模型：[gemma-2b-it]

使用场景

gemma-2b-it不能用于工具调用，且像最近开发的Deepseek r1一样，以推理方式响应。在微调模型时已考虑到这些限制。

偏差、风险和局限性

由于模型仅微调了1个epoch，因此容易出现偏差和错误。

环境影响

可使用Lacoste等人(2019)提出的机器学习影响计算器来估算碳排放。

📄 许可证

本项目采用MIT许可证。