Sambalingo Turkish Chat

🚀 SambaLingo土耳其语聊天模型

SambaLingo土耳其语聊天模型是一个经过人类对齐训练的聊天模型，支持土耳其语和英语。它基于基础模型 SambaLingo-Turkish-Base，使用直接偏好优化（Direct Preference Optimization）方法进行训练。基础模型通过在 Cultura-X 数据集的土耳其语部分的420亿个标记上进行训练，将 Llama-2-7b 模型适配到土耳其语。你可以在 SambaLingo-chat-space 尝试使用这个模型。

🚀 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-Turkish-Chat", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("sambanovasystems/SambaLingo-Turkish-Chat", device_map="auto", torch_dtype="auto")

与模型管道进行交互

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-Turkish-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

提示指南

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

✨ 主要特性

• 多语言支持：支持土耳其语和英语，适用于多语言场景。
• 人类对齐训练：经过直接偏好优化训练，生成的回复更符合人类偏好。

📦 安装指南

文档未提及具体安装步骤，可参考上述快速开始部分使用Hugging Face加载模型。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

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

高级用法

from transformers import pipeline
pipe = pipeline("text-generation", model="sambanovasystems/SambaLingo-Turkish-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"]

📚 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：土耳其语、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

训练详情

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 数据集和其谷歌翻译版本的混合数据集上进行。训练一个周期，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和10%的热身。

DPO阶段在 ultrafeedback 数据集和 cai-conversation-harmless 数据集上进行，混合了10%的谷歌翻译数据。训练三个周期，全局批次大小为32。使用线性衰减学习率5e-7，10%的热身，β=0.1作为DPO的正则化因子。

分词器详情

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

此模型的使用受Meta的 Llama 2社区许可协议 约束。请在下载模型权重之前查看并接受许可协议。

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
• 做出非常重要决策的场景

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不相关的回复。
• 代码切换：模型可能会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。

🔧 技术细节

• 对齐方法：遵循 Zephyr-7B 的训练方法，包括监督微调（SFT）和直接性能优化（DPO）。
• 分词器扩展：将基础Llama模型的词汇表从32,000个标记扩展到57,000个标记。

📄 许可证

此模型使用Llama2许可证。

致谢

我们衷心感谢开源AI社区；如果没有开源，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。

我们特别感谢以下团体：

• 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}
}