Jais Family 2p7b Chat

🚀 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）。这些模型经过优化，在阿拉伯语处理上表现卓越，同时具备强大的英语能力。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20个模型，参数范围从5.9亿到700亿，在多达16万亿个阿拉伯语、英语和代码数据的标记上进行了训练。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社区带来众多下游应用。我们为阿拉伯语模型展示的训练和自适应技术也适用于其他中低资源语言。

🚀 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-2p7b-chat"

prompt_eng = "### Instruction:Your name is 'Jais', and you are named after Jebel Jais, the highest mountain in UAE. You were made by 'Inception' in the UAE. You are a helpful, respectful, and honest assistant. Always answer as helpfully as possible, while being safe. Complete the conversation between [|Human|] and [|AI|]:\n### Input: [|Human|] {Question}\n[|AI|]\n### Response :"
prompt_ar = "### Instruction:اسمك \"جيس\" وسميت على اسم جبل جيس اعلى جبل في الامارات. تم بنائك بواسطة Inception في الإمارات. أنت مساعد مفيد ومحترم وصادق. أجب دائمًا بأكبر قدر ممكن من المساعدة، مع الحفاظ على البقاء أمناً. أكمل المحادثة بين [|Human|] و[|AI|] :\n### Input:[|Human|] {Question}\n[|AI|]\n### Response :"

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]
    response = response.split("### Response :")[-1]
    return response


ques = "ما هي عاصمة الامارات؟"
text = prompt_ar.format_map({'Question': ques})
print(get_response(text))

ques = "What is the capital of UAE?"
text = prompt_eng.format_map({'Question': ques})
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，在阿拉伯语处理上表现卓越，同时具备强大的英语能力。
• 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-*）。
• 多规模选择：涵盖从5.9亿到700亿参数的8种规模，共20个模型，可满足不同需求。
• 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。

📦 安装指南

文档未提供具体安装步骤，可参考代码示例中的模型加载方式：

from transformers import AutoTokenizer, AutoModelForCausalLM
model_path = "inceptionai/jais-family-2p7b-chat"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True)

📚 详细文档

Jais系列模型详情

• 开发者：Inception, Cerebras Systems。
• 语言：阿拉伯语（现代标准阿拉伯语）和英语。
• 输入：仅文本数据。
• 输出：模型生成文本。
• 模型规模：5.9亿、13亿、27亿、67亿、70亿、130亿、300亿、700亿。
• 演示：在此访问实时演示
• 许可证：Apache 2.0

预训练模型信息

自适应预训练模型信息

模型架构

该系列的所有模型都是自回归语言模型，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，采用了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，从而提高上下文处理能力和精度。
• Jais自适应模型（jais-adapted-*）：是基于Llama - 2构建的，它采用了RoPE位置嵌入和分组查询注意力机制。我们引入了使用阿拉伯语数据的分词器扩展，将生育能力和计算效率提高了3倍以上。具体来说，我们将Jais - 30b词汇表中的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的嵌入空间到Llama的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。

训练详情

预训练数据

Jais系列模型在多达16万亿个不同的英语、阿拉伯语和代码数据的标记上进行训练。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、新闻文章和社交网络内容，涵盖阿拉伯语和英语。
• 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，这有助于提高长程上下文建模和连贯叙事能力。
• 科学：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：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。我们仅对高质量的英语资源（如英语维基百科和英语书籍）进行翻译。

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（jais-family-*）：根据我们之前在Jais中对语言对齐混合的实验，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（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更大阿拉伯语数据集，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增强阿拉伯语能力。

预训练数据比例

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（包括机器翻译、蒸馏和模型自对话）生成的内容。总体而言，我们更新的指令微调数据集分别包含约1000万和400万对英语和阿拉伯语的提示 - 响应数据。

训练过程

• 预训练（jais-family-*）：在预训练过程中，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，将上下文长度从2k逐步扩展到8K再到16K。这种渐进式扩展利用了较短上下文长度下的快速初始训练，同时在训练过程后期逐渐支持更大的上下文长度。
• 自适应预训练（jais-adapted-*）：在自适应预训练过程中，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150亿个标记训练嵌入。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：在指令微调过程中，每个训练示例由单轮或多轮提示及其响应组成。示例被打包在一起，而损失仅在响应标记上计算，提示标记的损失被屏蔽。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-2p7b-chat

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），每个引擎具有40GB的SRAM，总计算能力达到960 PetaFLOP/s。

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测试；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80个固定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，同时英语能力也有所提升。

除了成对比较，我们还按照MT - bench风格对模型的单答案进行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先进的模型规模选择。
  • 自然语言理解和生成任务。
  • 双语预训练和自适应预训练模型中文化对齐的机制解释分析。
  • 阿拉伯文化和语言现象的定量研究。
• 商业用途：Jais 300亿和700亿参数的聊天模型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。
  • 情感分析，以了解当地市场和客户趋势。
  • 双语阿拉伯语 - 英语文档的摘要生成。

我们希望以下群体能从我们的模型中受益：

• 学术界：从事阿拉伯语自然语言处理研究的人员。
• 企业：针对阿拉伯语用户的公司。
• 开发者：在应用中集成阿拉伯语能力的开发者。

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风险至关重要。禁止以任何违反适用法律法规的方式使用该模型。以下是一些不应使用该模型的示例场景：

• 恶意使用：不得使用该模型生成有害、误导或不适当的内容，包括但不限于：
  • 生成或传播仇恨言论、暴力或歧视性内容。
  • 传播错误信息或虚假新闻。
  • 参与或促进非法活动。
• 敏感信息处理：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能力。
• 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，如医疗、法律、金融或安全关键决策。

🔧 技术细节

模型架构

• Jais模型（jais-family-*）：从头开始训练，采用SwiGLU非线性激活函数和ALiBi位置编码，提高长序列处理能力。
• Jais自适应模型（jais-adapted-*）：基于Llama - 2构建，采用RoPE位置嵌入和分组查询注意力机制，引入阿拉伯语数据扩展分词器，提高计算效率。

训练过程

• 预训练（jais-family-*）：文档打包成序列，渐进式扩展上下文长度，提高训练效率和上下文处理能力。
• 自适应预训练（jais-adapted-*）：两阶段训练方法，解决新阿拉伯语嵌入的高范数问题。
• 指令微调：示例打包，屏蔽提示标记损失，加速训练。

训练数据处理

• 数据来源广泛：包括网络、代码、书籍、科学和合成数据。
• 预处理和去重：对训练数据进行广泛预处理和去重，确保数据质量。
• 语言比例调整：根据不同模型类型和规模，调整阿拉伯语、英语和代码数据的比例。

📄 许可证

Jais模型根据Apache License 2.0许可发布。你可以在此处获取许可证副本。

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应阿拉伯语的方法以及对所有规模的微调，为阿拉伯语环境下的商业和学术应用开辟了众多用例。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具文化理解能力的原生阿拉伯语模型。我们用于预训练、微调以及适应阿拉伯语的策略可扩展到其他中低资源语言，为满足本地语境的语言聚焦和易于使用的模型铺平了道路。

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}
}

⚠️ 重要提示

禁止以任何违反适用法律法规的方式使用该模型，不得用于恶意、敏感信息处理、跨语言通用性假设或高风险决策等非预期用途。

💡 使用建议

在使用模型时，可根据具体需求选择合适的模型规模。对于研究任务，可选择不同规模的模型进行实验；对于商业应用，Jais 300亿和700亿参数的聊天模型可能更适合。同时，注意在训练和使用过程中遵循相应的许可证要求。