Jais Family 30b 8k

🚀 Jais系列模型

Jais系列模型是一套全面的英阿双语大语言模型（LLM）。这些模型在优化阿拉伯语性能的同时，也具备出色的英语能力。我们发布了两种基础模型变体，包括：

• 从头开始预训练的模型（jais-family-*）。
• 基于Llama - 2进行自适应预训练的模型（jais-adapted-*）。

在本次发布中，我们推出了涵盖8种规模、共计20个模型，参数范围从5.9亿到700亿，使用多达16万亿个阿拉伯语、英语和代码数据的标记进行训练。该系列的所有预训练模型都使用精心策划的阿拉伯语和英语指令数据进行了指令微调（*-chat），以用于对话。

我们希望这次大规模的发布能够加速阿拉伯语自然语言处理（NLP）的研究，并为阿拉伯语使用者和双语群体带来众多下游应用。我们为阿拉伯语模型成功展示的训练和适配技术，也可扩展到其他中低资源语言。

🚀 快速开始

以下是使用该模型的示例代码。请注意，该模型需要自定义模型类，因此用户在加载模型时必须启用trust_remote_code=True。

基础用法

# -*- coding: utf-8 -*-

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

model_path = "inceptionai/jais-family-30b-8k"

device = "cuda" if torch.cuda.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True)


def get_response(text, tokenizer=tokenizer, model=model):
    input_ids = tokenizer(text, return_tensors="pt").input_ids
    inputs = input_ids.to(device)
    input_len = inputs.shape[-1]
    generate_ids = model.generate(
        inputs,
        top_p=0.9,
        temperature=0.3,
        max_length=2048,
        min_length=input_len + 4,
        repetition_penalty=1.2,
        do_sample=True,
    )
    response = tokenizer.batch_decode(
        generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
    )[0]
    return response


text = "عاصمة دولة الإمارات العربية المتحدة ه"
print(get_response(text))

text = "The capital of UAE is"
print(get_response(text))

✨ 主要特性

• 双语能力：Jais系列模型是英阿双语大语言模型，在优化阿拉伯语性能的同时，具备出色的英语能力。
• 多种变体：提供从头开始预训练的模型（jais-family-*）和基于Llama - 2进行自适应预训练的模型（jais-adapted-*）两种变体。
• 多规模选择：本次发布涵盖8种规模、共计20个模型，参数范围从5.9亿到700亿，可满足不同场景需求。
• 指令微调：所有预训练模型都使用精心策划的阿拉伯语和英语指令数据进行了指令微调（*-chat），适用于对话场景。

📦 Jais系列模型详情

预训练模型

自适应预训练模型

模型架构

该系列的所有模型均为自回归语言模型，采用基于Transformer的仅解码器架构（GPT - 3）。

Jais模型（jais-family-*）是从头开始训练的，融入了SwiGLU非线性激活函数和ALiBi位置编码。这些架构改进使模型能够在长序列长度上进行外推，从而改善上下文处理和精度。

Jais自适应模型（jais-adapted-*）是基于Llama - 2构建的，采用了RoPE位置嵌入和分组查询注意力机制。我们引入了阿拉伯语数据的分词器扩展，将计算效率提高了3倍以上。具体而言，我们将来自Jais - 30b词汇表的32000个新阿拉伯语标记添加到Llama - 2分词器中。为了初始化这些新的阿拉伯语标记嵌入，我们首先使用两个词汇表中共享的英语标记集，学习从Jais - 30b嵌入空间到Llama嵌入空间的线性投影。然后，应用这个学习到的投影将现有的Jais - 30b阿拉伯语嵌入转换到Llama - 2嵌入空间。

📚 详细文档

预训练数据

Jais系列模型使用多达16万亿个不同的英语、阿拉伯语和代码数据标记进行训练。数据来源包括：

• 网络：我们使用了公开可用的网页、维基百科文章、新闻文章和阿拉伯语及英语的社交网络内容。
• 代码：为了增强模型的推理能力，我们纳入了各种编程语言的代码数据。
• 书籍：我们使用了部分公开可用的阿拉伯语和英语书籍数据，这有助于改善长距离上下文建模和连贯的故事讲述。
• 科学文献：纳入了一部分arXiv论文，以提高推理和长上下文处理能力。
• 合成数据：我们使用内部机器翻译系统将英语翻译成阿拉伯语，以增加阿拉伯语数据量。我们仅选择高质量的英语资源，如英语维基百科和英语书籍。

我们对训练数据进行了广泛的预处理和去重。对于阿拉伯语，我们使用了自定义的预处理管道来筛选高质量的语言数据。有关此管道的更多信息，请参阅Jais论文。

• Jais预训练模型（jais-family-*）：根据我们之前在Jais中进行的语言对齐混合实验，我们使用了1:2:0.4的阿拉伯语:英语:代码数据比例。这种从头开始预训练的方法解决了阿拉伯语数据稀缺的问题，同时提高了两种语言的性能。
• Jais自适应预训练模型（jais-adapted-*）：对于Llama - 2的自适应预训练，我们使用了约3340亿个阿拉伯语标记的较大阿拉伯语数据集，并与英语和代码数据混合。我们根据不同的模型规模调整混合比例，以在保持英语性能的同时引入强大的阿拉伯语能力。

微调数据

Jais系列的所有聊天模型都使用阿拉伯语和英语的单轮和多轮提示 - 响应数据对进行微调。数据来源包括经过主题和风格多样性筛选的开源微调数据集。此外，还纳入了内部精心策划的人工数据，以增强文化适应性。这些数据还补充了通过合成方法生成的内容，包括机器翻译、蒸馏和模型自对话。总体而言，我们更新的指令微调数据集分别包含约1000万和400万个英语和阿拉伯语的提示 - 响应数据对。

训练过程

预训练（jais-family-*模型）

在预训练（jais-family-*模型）期间，文档被打包成由EOS标记分隔的序列，模型进行自回归训练，并对所有标记应用损失。对于jais - 30b模型，通过在训练中纳入精心策划的长上下文文档，上下文长度从2k逐步扩展到8K再到16K。这种逐步扩展利用了较短上下文长度下更快的初始训练速度，同时在训练过程的后期逐渐扩展对更大上下文长度的支持。

自适应预训练（jais-adapted-*模型）

在自适应预训练（jais-adapted-*模型）期间，我们首先按照模型架构中所述初始化新的分词器和阿拉伯语嵌入。在训练中，我们采用了两阶段方法来克服新阿拉伯语嵌入的较高范数问题。在第一阶段，模型的主干被冻结，使用来自英语和阿拉伯语双语语料库的约150亿个标记对嵌入进行训练。在第二阶段，主干解冻，对所有参数进行连续预训练。

指令微调

在指令微调期间，每个训练示例由单轮或多轮提示及其响应组成。与每个序列一个示例不同，示例被打包在一起，同时在提示标记上屏蔽损失。这种方法通过允许每批处理更多示例来加速训练。

训练超参数

Jais-family-30b-8k

计算基础设施

训练过程在Condor Galaxy（CG）超级计算机平台上进行。一个CG包含64个Cerebras CS - 2晶圆级引擎（WSE - 2），拥有40GB SRAM，总计算能力达到960 PetaFLOP/s。

🔧 技术细节

评估

我们使用LM - Harness在零样本设置下对Jais模型进行了全面评估，重点关注英语和阿拉伯语。评估标准涵盖多个维度，包括：

• 知识：模型回答事实性问题的能力。
• 推理：模型回答需要推理的问题的能力。
• 错误信息/偏差：评估模型生成虚假或误导性信息的倾向，以及其中立性。

阿拉伯语评估结果

阿拉伯语基准测试使用内部机器翻译模型进行翻译，并由阿拉伯语语言学家审核。带有星号（*）的基准测试是原生阿拉伯语；更多详细信息，请参阅Jais论文。此外，我们还纳入了ArabicMMLU，这是一个基于地区知识的原生阿拉伯语基准测试。

英语评估结果

GPT - 4评估

除了LM - Harness评估外，我们还使用GPT - 4作为评判进行了开放式生成评估。我们在Vicuna测试集的一组固定的80个提示上，测量了模型在阿拉伯语和英语中的成对胜率。英语提示由我们的内部语言学家翻译成阿拉伯语。以下是本次发布的Jais系列模型与之前版本的比较：

GPT - 4作为评判对Jais模型在阿拉伯语和英语中的评估。Jais系列模型在两种语言的生成能力上明显优于之前的Jais模型。

GPT - 4作为评判对自适应Jais模型在阿拉伯语和英语中的评估。与Llama - 2指令模型相比，阿拉伯语的生成质量显著提高，同时英语也有所改善。

除了成对比较，我们还按照MT - bench风格对模型的单个答案进行1到10分的评分。

MT - bench风格对Jais和自适应Jais模型在阿拉伯语和英语中的单个答案评分评估。与早期版本的相应模型进行比较。响应的质量评分普遍提高，阿拉伯语的提升尤为显著。

预期用途

我们以完全开源的许可证发布Jais系列模型。我们欢迎所有反馈和合作机会。该系列双语模型的参数范围从5.9亿到700亿，适用于广泛的用例。一些潜在的下游应用包括：

研究

Jais系列为阿拉伯语研究人员和NLP从业者提供了计算高效和高级的模型规模选择：

• 自然语言理解和生成任务。
• 对双语预训练和自适应预训练模型中的文化对齐进行机制解释分析。
• 对阿拉伯文化和语言现象进行定量研究。

商业用途

Jais 30B和70B聊天模型非常适合直接用于聊天应用，或针对特定任务进行进一步微调：

• 为阿拉伯语用户开发聊天助手。
• 进行情感分析，以深入了解当地市场和客户趋势。
• 对阿拉伯语 - 英语双语文档进行摘要。

我们希望受益于我们模型的受众包括：

• 学术界：从事阿拉伯语自然语言处理研究的人员。
• 企业：针对阿拉伯语受众的公司。
• 开发者：在应用程序中集成阿拉伯语能力的人员。

非预期用途

虽然Jais系列模型是强大的阿拉伯语和英语双语模型，但了解其局限性和潜在的滥用情况至关重要。禁止以任何违反适用法律法规的方式使用该模型。以下是一些不应该使用该模型的场景示例：

• 恶意使用：不得使用该模型生成有害、误导性或不适当的内容，包括但不限于：
  • 生成或宣传仇恨言论、暴力或歧视性内容。
  • 传播错误信息或虚假新闻。
  • 参与或宣传非法活动。
• 处理敏感信息：不得使用该模型处理或生成个人、机密或敏感信息。
• 跨语言通用性：Jais系列模型是双语模型，针对阿拉伯语和英语进行了优化，不应假定其在其他语言或方言中具有同等的熟练度。
• 高风险决策：在没有人工监督的情况下，不得使用该模型进行高风险决策，包括医疗、法律、金融或安全关键决策。

偏差、风险和局限性

Jais系列模型使用了部分由Inception策划的公开可用数据进行训练。我们采用了不同的技术来减少模型中的偏差。尽管已经努力最小化偏差，但与所有大语言模型一样，该模型可能仍会表现出一些偏差。

微调后的变体是为阿拉伯语和英语使用者训练的AI助手。聊天模型仅限于为这两种语言的查询生成响应，可能无法为其他语言的查询生成合适的响应。

使用Jais模型即表示您承认并接受，与任何大语言模型一样，它可能会生成不正确、误导性和/或冒犯性的信息或内容。这些信息不构成建议，不应以任何方式依赖，我们也不对其使用产生的任何内容或后果负责。我们正在不断努力开发功能更强大的模型，因此欢迎对该模型提出任何反馈。

版权归Inception Institute of Artificial Intelligence Ltd.所有。JAIS根据Apache许可证2.0版（“许可证”）提供。除非遵守许可证，否则不得使用JAIS。您可以在https://www.apache.org/licenses/LICENSE - 2.0获取许可证副本。

除非适用法律要求或书面同意，否则JAIS按“原样”分发，不提供任何形式的明示或暗示保证。请参阅许可证条款，了解许可证下的具体语言权限和限制。

总结

我们发布了Jais系列阿拉伯语和英语双语模型。广泛的预训练模型规模、将以英语为中心的模型适配到阿拉伯语的方法，以及对所有规模模型的微调，为阿拉伯语环境下的商业和学术领域解锁了众多用例。

通过这次发布，我们旨在使大语言模型更易于阿拉伯语NLP研究人员和公司使用，提供比以英语为中心的模型更能理解当地文化的原生阿拉伯语模型。我们在预训练、微调以及适配阿拉伯语方面采用的策略可扩展到其他中低资源语言，为满足当地语境的语言聚焦型和易用型模型铺平了道路。

引用信息

@misc{sengupta2023jais,
      title={Jais and Jais-chat: Arabic-Centric Foundation and Instruction-Tuned Open Generative Large Language Models}, 
      author={Neha Sengupta, Sunil Kumar Sahu, Bokang Jia, Satheesh Katipomu, Haonan Li, Fajri Koto, William Marshall, Gurpreet Gosal, Cynthia Liu, Zhiming Chen, Osama Mohammed Afzal, Samta Kamboj, Onkar Pandit, Rahul Pal, Lalit Pradhan, Zain Muhammad Mujahid, Massa Baali, Xudong Han, Sondos Mahmoud Bsharat, Alham Fikri Aji, Zhiqiang Shen, Zhengzhong Liu, Natalia Vassilieva, Joel Hestness, Andy Hock, Andrew Feldman, Jonathan Lee, Andrew Jackson, Hector Xuguang Ren, Preslav Nakov, Timothy Baldwin and Eric Xing},
      year={2023},
      eprint={2308.16149},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@article{jaisfamilymodelcard,
    title={Jais Family Model Card},
    author={Inception},
    year={2024},
    url = {https://huggingface.co/inceptionai/jais-family-30b-16k-chat/blob/main/README.md}
}