Shisa V2 Qwen2.5 7b

🚀 Shisa V2

Shisa V2 是由 Shisa.AI 训练的一系列日英双语（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。

自我们最初发布 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，我们摒弃了分词器扩展和昂贵的持续预训练，而是专注于优化后训练。我们大幅扩展并完善了最初在 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 70 亿到 700 亿的模型：

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和为 700 亿参数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 80 亿参数模型上进行的，但在此过程中我们也进行了一些交叉验证。我们很高兴地看到，最终的训练方法在所有评估的模型大小上都表现出了强大的扩展性，提高了所有模型的日语性能。我们优先发布了每个参数规模类别中质量最高的开源许可（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 模型在日语输出质量上都有显著提升：

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。

为了便于参考，我们还列出了最近发布的 shisa-v2-llama3.1-8b-preview “预览版”以及仍然受欢迎但早已被取代的 shisa-gamma-7b-v1 模型。

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 vLLM 或 SGLang 的最新版本进行。

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

新的日语基准测试

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性能（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，采用 BTL 成对比较和逻辑变换评分）。

我们相信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。

📦 安装指南

文档未提供安装步骤，故跳过该章节。

💻 使用示例

基础用法

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

高级用法

在运行采样器扫描时，我们发现模型在大多数设置下的各种温度参数下都能表现良好。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。

需要注意的是，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。

📚 详细文档

数据集

我们的监督微调（SFT）阶段数据集包含约 36 万个样本，总计约 420 亿个 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数据集（Tulu、Olmo、Rewild、各种 Magpie 数据集等）。如果您需要一个日英双语数据集，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
  • 这是 Rewild (WildChat) 提示翻译成日语后的过滤版本，响应由 DeepSeek-V3-0324 生成。
• shisa-ai/magpie-ultra-set
  • 基于 argilla/magpie-ultra-v1.0 生成的日语数据。
• shisa-ai/magpie-advanced-questions-set
  • Magpie 生成的关于各种学术领域高级大学水平主题的问题。
• 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
  • 一个包含广泛翻译任务的合成数据集，包括文章、对话和小说。
• shisa-ai/shisa-v2-instruction-following-sft
  • 一个基于 (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。

我们最终的直接偏好优化（DPO）混合数据集包含 11.3 万个样本，总计约 115 亿个 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英双语 DPO 集以及更大的数据集，如 Tulu 3 偏好混合数据集。
• shisa-ai/shisa-v2-roleplaying-dpo
  • 角色扮演 SFT 数据集的 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为翻译输出额外解释性文本的 DPO 数据集。
• shisa-ai/shisa-v2-instruction-following-dpo
  • 指令遵循 SFT 数据集的 DPO 变体，用于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

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。

这里无法详细讨论所有这些经验教训，但我们将在 shisa-v2 维基 和 Shisa.AI 网站 上更新相关文章。

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 集群上完成的。训练主要使用 Axolotl 结合 DeepSpeed 和 Liger Kernels 进行。Shisa V2 的 Phi 4 和 Llama 3.3 700 亿参数版本使用 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 对 Phi-4 进行的 llamafied 转换；感谢 Tulu 团队详细的文章和对我们问题的快速响应；感谢 Axolotl 团队的 Chanvichet Vong 在 Axolotl Discord 中的不懈努力。

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成果、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。

有关我们的开发详情和见解，请访问 Shisa V2 Github 仓库 和 Shisa.AI 网站。

📄 许可证

本项目采用 Apache 2.0 许可证。

^{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"}