Llm Jp 3 13b

🚀 llm-jp-3-13b

本仓库提供了由国立情报学研究所的大语言模型研发中心开发的大语言模型。

该开发工作得到了GENIAC的部分支持。

🚀 快速开始

检查点格式

Hugging Face Transformers

所需库及其版本

• torch>=2.3.0
• transformers>=4.40.1
• tokenizers>=0.19.1
• accelerate>=0.29.3
• flash-attn>=2.5.8

✨ 主要特性

本项目提供了一系列不同规模的大语言模型变体，可用于文本生成任务。这些模型基于Transformer架构，在多语言数据集上进行了预训练和指令微调，以适应不同的应用场景。

📦 安装指南

确保你已经安装了以下所需库及其对应版本：

• torch>=2.3.0
• transformers>=4.40.1
• tokenizers>=0.19.1
• accelerate>=0.29.3
• flash-attn>=2.5.8

你可以使用以下命令进行安装：

pip install torch>=2.3.0 transformers>=4.40.1 tokenizers>=0.19.1 accelerate>=0.29.3 flash-attn>=2.5.8

💻 使用示例

基础用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("llm-jp/llm-jp-3-13b")
model = AutoModelForCausalLM.from_pretrained("llm-jp/llm-jp-3-13b", device_map="auto", torch_dtype=torch.bfloat16)
text = "自然言語処理とは何か"
tokenized_input = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt").to(model.device)
with torch.no_grad():
    output = model.generate(
        tokenized_input,
        max_new_tokens=100,
        do_sample=True,
        top_p=0.95,
        temperature=0.7,
        repetition_penalty=1.05,
    )[0]
print(tokenizer.decode(output))

📚 详细文档

模型变体

模型详情

分词器

该模型的分词器基于huggingface/tokenizers的Unigram字节回退模型。词汇表条目是从llm-jp-tokenizer v3.0转换而来的。有关词汇表构建过程的详细信息，请参考llm-jp-tokenizer的README.md（纯SentencePiece训练无法重现我们的词汇表）。

数据集

预训练

模型使用以下数据集的混合进行了预训练：

指令微调

模型在以下数据集上进行了微调：

评估

llm-jp-eval (v1.3.1)

使用开发集的100个示例对模型进行了评估：

日语MT Bench

使用gpt-4-0613对模型进行了评估，详情请见代码：

🔧 技术细节

本模型基于Transformer架构，在多语言数据集上进行了预训练和指令微调。预训练阶段使用了多种语言的文本数据，以学习通用的语言知识。指令微调阶段则使用了特定的指令数据集，以提高模型在特定任务上的性能。

📄 许可证

Apache License, Version 2.0

风险与限制

此处发布的模型处于研发的早期阶段，尚未进行调整以确保输出符合人类意图和安全考虑。

咨询问题

请发送邮件至 llm-jp(at)nii.ac.jp

模型卡片作者

按字母顺序列出

Hirokazu Kiyomaru 和 Takashi Kodama。