Shisa V2 Mistral Nemo 12b

🚀 Shisa V2

Shisa V2 是由 Shisa.AI 训练的一系列日语和英语双语（JA/EN）通用聊天模型。这些模型旨在在日语任务中表现出色，同时保持强大的英语能力。

自我们首次发布 Shisa 7B 以来，开源权重语言模型的日语基础能力有了显著提升。新模型拥有更多的日语预训练标记、更高的 日语分词器效率，并且整体日语输出质量更好。因此，对于 Shisa V2，我们放弃了分词器扩展和成本高昂的持续预训练，而是专注于优化后训练。我们大幅扩展和完善了最初在 Shisa 7B 模型中开创的合成数据驱动方法，并取得了显著的性能提升。

✨ 主要特性

模型家族概述

Shisa V2 家族包含一系列参数规模从 7B 到 70B 的模型：

这些 Shisa V2 模型均使用相同的数据集和训练方法进行训练，除了根据模型大小调整学习率，并为 70B 模型修改全局批量大小。

虽然我们的大部分开发和调优工作是在 Llama 3.1 8B 模型上进行的，但在此过程中我们也进行了一些交叉验证，并且很高兴我们最终的训练方法在所有评估的模型规模上都显示出了强大的扩展性，提高了日语语言性能。我们优先发布了每个类别中质量最高的开放许可（Apache 2.0 和 MIT）模型。

性能表现

与各自的基础模型相比，所有 Shisa V2 模型的日语输出质量都有所提高： | 模型名称 | 日语平均得分 | 英语平均得分 | Shaberi 平均得分 | ELYZA 100 得分 | 日语 MT Bench 得分 | Rakuda 得分 | Tengu 得分 | llm-jp-eval 得分 | shisa-jp-ifeval 得分 | shisa-jp-rp-bench 得分 | shisa-jp-tl-bench 得分 | MixEval 得分 | LiveBench 得分 | IFEval 得分 | EvalPlus 得分 | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | shisa-ai/shisa-v2-mistral-nemo-12b | 72.83 | 53.33 | 8.46 | 8.38 | 8.79 | 9.06 | 7.63 | 0.58 | 0.31 | 4.55 | 6.39 | 0.39 | 33.4 | 0.74 | 0.68 | | mistralai/Mistral-Nemo-Instruct-2407 | 58.44 | 48.07 | 7.68 | 7.29 | 8.03 | 8.68 | 6.73 | 0.55 | 0.13 | 3.60 | 2.11 | 0.31 | 30.0 | 0.64 | 0.68 |

Shisa V2 模型在各自的参数规模类别中与其他模型相比表现出色。

测试说明

日语功能测试使用了 LightBlue Shaberi 评估框架的 shisa-ai/shaberi 分支。Shaberi 评级由一个 PoLL（大语言模型评审团）进行，该评审团由以下模型组成：

• Athene-V2
• Llama 3.3 70B
• Tulu 3 405B FP8

测试结果经过统计验证，与 gpt-4-1106-preview 和人工评审的“黄金标准”评级具有可比性。

在测试上下文窗口小于 8K 标记的模型时，必要情况下会使用动态 RoPE 扩展。所有测试均使用最新版本的 vLLM 或 SGLang 进行。

我们开发了一个自定义的“multieval”框架来自动化模型评估。标准基准测试包括：

• ELYZA Tasks 100
• JA MT-Bench (数据集)
• Rakuda
• Tengu Bench
• llm-jp-eval (v1.4.1)
• MixEval
• LiveBench (2024-11-25)
• IFEval (Lighteval)
• EvalPlus

新型日语基准测试

在模型开发过程中，我们还创建了几个新的评估指标，以帮助我们衡量模型在重要的日语下游任务中的性能：

• shisa-jp-ifeval：受 IFEval 启发，但专门评估模型在日语语法和语言学方面的指令遵循能力（封闭式）。
• shisa-jp-rp-bench：基于 Aratako 的 Japanese-RP-Bench 评估模型在日语角色扮演和基于角色/人物的多轮对话中的表现（大语言模型评审）。
• shisa-jp-tl-bench：测试模型的日英翻译能力（大语言模型评审，通过 BTL 成对比较和逻辑变换评分）。

我们认为这些基准测试将具有普遍实用性，并计划在不久的将来将其开源，以支持日语大语言模型研究社区。

💻 使用示例

基础用法

所有 Shisa V2 模型都继承了其各自基础模型的 聊天模板，并且已经过测试和验证，可与 vLLM 和 SGLang 进行正确推理。

在运行采样器扫描时，我们发现这些模型在大多数设置下的各种温度参数下都能良好运行。具体而言，对于翻译任务，我们建议使用较低的温度（0.2）以提高准确性。对于角色扮演和创意任务，较高的温度（例如 1.0）似乎能产生较好的结果。为了防止跨语言标记泄漏，我们建议使用 0.9 的 top_p 或 0.1 的 min_p。

这些模型没有进行额外的安全对齐，因此它们在很大程度上会继承基础模型的偏差和安全特性。

高级用法

由于文档中未明确提及高级用法的代码示例，此处暂不提供。

📦 数据集

监督微调（SFT）阶段数据集

我们的监督微调（SFT）阶段数据集包含约 360K 个样本，总计约 420M 个 Llama 3 标记：

• shisa-ai/shisa-v2-sharegpt
  • 这是原始 Shisa V1 augmxnt/ultra-orca-boros-en-ja-v1 数据集的过滤、重新生成和重新采样版本。
  • 这是我们 Shisa V2 训练的核心数据集，事实证明它是一个非常强大的数据集，性能优于所有现有的混合/附加数据集（Tulu、Olmo、Rewild、各种 Magpie 数据集等）。如果您需要一个日语/英语数据集，我们认为这个新版本是目前可用的最佳数据集之一。
• shisa-ai/rewild-set-deepseek-subset
  • Rewild (WildChat) 提示的过滤版本，翻译成日语，并由 DeepSeek-V3-0324 生成响应。
• shisa-ai/magpie-ultra-set
  • 基于 argilla/magpie-ultra-v1.0 的日语生成数据。
• shisa-ai/magpie-advanced-questions-set
  • Magpie 生成的关于各种学术领域高级大学主题的问题。
• shisa-ai/japan-magpie-set
  • Magpie 生成的关于日本经济、历史以及文化和商业实践的问题。
• shisa-ai/shisa-v2-roleplaying-sft
  • 合成生成的角色扮演数据，包含各种角色、场景和类型。
• shisa-ai/translation_expanded_master_set_filtered
  • 一个涉及广泛翻译任务的合成数据集，包括论文、对话和小说。
• shisa-ai/shisa-v2-instruction-following-sft
  • 基于 Aratako/Magpie-Tanuki-8B-annotated-96k 提示和一系列指令遵循约束的指令遵循数据集。

最终 DPO 混合数据集

我们的最终 DPO 混合数据集包含 113K 个样本，总计约 115M 个 Llama 3 标记：

• shisa-ai/deepseekv3-ultrafeedback-armorm-dpo
  • 这是 princeton-nlp/gemma2-ultrafeedback-armorm 的一个版本，其中 chosen 响应由 DeepSeek-V3-0324 重新生成。
  • 令人惊讶的是，我们发现仅使用这个相对较小的英语 DPO 对齐集的性能优于日语/英语 DPO 集，也优于像 Tulu 3 偏好混合 这样大得多的数据集。
• shisa-ai/shisa-v2-roleplaying-dpo
  • 角色扮演 SFT 集的 DPO 变体，使用 UltraFeedback 风格的评级系统。
• shisa-ai/translation-no-extra-text-dpo-dataset
  • 一个旨在减少模型在不需要时输出额外解释性文本的 DPO 集。
• shisa-ai/shisa-v2-instruction-following-dpo
  • 指令遵循 SFT 集的 DPO 变体，以进一步增强指令遵循性能。
• shisa-ai/politeness-dpo-set
  • 一个用于更好控制日语响应说话风格的数据集。

🔧 训练过程

我们训练了 200 多个模型，以实证测试各种变量。除了超参数和数据混合测试之外，我们还对数据排序、多语言特定排序、课程学习、多阶段训练、各种形式的自我博弈、偏好调整以及一些最新的强化学习/可验证奖励技术进行了大量测试。

全面讨论这些经验教训超出了本文的范围，但我们将在即将发布的文章中更新 shisa-v2 维基 和 Shisa.AI 网站。

我们的大部分训练工作是在一个小型的 AWS Sagemaker 部署的 4 节点 H100 Slurm 集群上进行的。训练主要使用 Axolotl 结合 DeepSpeed 和 Liger Kernels 进行。Shisa V2 的 Phi 4 和 Llama 3.3 70B 版本使用 OpenRLHF 进行训练。我们的训练日志 可在 Weights and Biases 上公开获取。

致谢

Shisa V2 模型由 Leonard Lin 和 Adam Lensenmayer (Shisa.AI) 开发。

计算资源由 Ubitus K.K. 和 METI GENIAC 提供。

感谢 Meta Llama、Microsoft Research、Mistral AI 和 Qwen Team 向开源社区提供他们的模型，感谢 Unsloth 提供的 Phi-4 的 Llama 化转换，感谢 Tulu 团队，他们详细的文档和对我们问题的快速响应非常有帮助，也感谢 Axolotl 团队的 Chanvichet Vong 在 Axolotl Discord 上的不懈努力。

我们还要感谢所有开源人工智能开发者和研究人员——没有他们公开分享的研究、工具和数据集，我们的工作将无法完成。我们希望我们自己的贡献能够进一步支持更广泛的社区。

特别感谢 Jon Durbin 在 Shisa V1 上的工作。

有关我们开发过程和见解的更多详细信息，请访问 Shisa V2 Github 仓库 和 Shisa.AI 网站。

^{1: 根据 Llama 社区许可协议，基于 Llama 的模型的正式名称为 "Llama 3.1 shisa-v2-llama3.1-8b" 和 "Llama 3.3 shisa-v2-llama3.3-70b"}

📄 许可证

本项目采用 Apache 2.0 许可证。