Japanese Gpt Neox 3.6b Instruction Sft

🚀 日语GPT-NeoX 36亿参数指令微调模型

本项目提供了一个拥有36亿参数的日语GPT - NeoX模型。该模型基于rinna/japanese - gpt - neox - 3.6b构建，并经过微调，可作为遵循指令的对话代理。

🚀 快速开始

输入输出格式

采用了一种特殊格式来构建输入：

• 输入提示被格式化为用户和系统之间的对话。
• 每个输入语句由以下部分组成：(1) 说话者（"用户"或"系统"）；(2) 冒号 (":")；(3) 空格 (" ")；(4) 语句文本（例如"世界上最高的山是哪座？"）。
• 输入提示应以"系统: "结尾，以告知模型生成响应。
• 由于模型的分词器无法识别"\n"，因此使用特殊的换行符号"<NL>"代替。
• 输入和输出语句中的所有换行符都应替换为"<NL>"。
• 输入提示中的所有语句都应用"<NL>"分隔。

以下是一个从对话构建输入的示例：

prompt = [
    {
        "speaker": "用户",
        "text": "请推荐一些日本的旅游景点。"
    },
    {
        "speaker": "系统",
        "text": "您想了解哪个地区的旅游景点呢？"
    },
    {
        "speaker": "用户",
        "text": "请告诉我涩谷的旅游景点。"
    }
]
prompt = [
    f"{uttr['speaker']}: {uttr['text']}"
    for uttr in prompt
]
prompt = "<NL>".join(prompt)
prompt = (
    prompt
    + "<NL>"
    + "系统: "
)
print(prompt)
# "用户: 请推荐一些日本的旅游景点。<NL>系统: 您想了解哪个地区的旅游景点呢？<NL>用户: 请告诉我涩谷的旅游景点。<NL>系统: "

模型使用方法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b-instruction-sft", use_fast=False)
model = AutoModelForCausalLM.from_pretrained("rinna/japanese-gpt-neox-3.6b-instruction-sft")

if torch.cuda.is_available():
    model = model.to("cuda")

token_ids = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        do_sample=True,
        max_new_tokens=128,
        temperature=0.7,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0][token_ids.size(1):])
output = output.replace("<NL>", "\n")
print(output)
"""明白了。为您推荐以下景点：
1. 忠犬八公像。忠犬八公像是日本热门的旅游景点之一。
2. 涩谷十字路口。这是一个人来人往的大型十字路口，是游客喜爱的景点。
3. 109大厦。109大厦是一个购物和娱乐场所。
4. 道玄坂。道玄坂是日本的一个商业街区坡道。</s>"""

✨ 主要特性

模型架构

这是一个基于Transformer的语言模型，有36层，隐藏层大小为2816。

微调数据

微调数据是以下数据集的子集，并已翻译成日语：

• Anthropic HH RLHF数据
• FLAN指令调优数据
• 斯坦福人类偏好数据集

这些数据不会公开。

模型系列

贡献者

• 赵天宇
• 泽田圭

发布日期

2023年3月17日

🔧 技术细节

分词

模型使用基于sentencepiece的分词器：

• 分词器的词汇量为32000。
• 使用sentencepiece的字节回退功能，将未知文本片段分解为UTF - 8字节片段，避免产生<UNK>标记。
• 关闭了sentencepiece的--add_dummy_prefix选项，因此不会自动添加前导空格。

print(tokenizer.tokenize("吾辈は猫である"))
# ['吾', '輩', 'は', '猫', 'である']
# 而不是像rinna/japanese-gpt-1b那样为 ['▁', '吾', '輩', 'は', '猫', 'である']

• 关闭了sentencepiece的--remove_extra_whitespaces选项，因此会保留前导、尾随及重复的空格。

print(tokenizer.tokenize("  吾輩は  猫である   "))
# ['▁', '▁', '吾', '輩', 'は', '▁', '▁', '猫', 'である', '▁', '▁', '▁']
# 而不是像rinna/japanese-gpt-1b那样为 ['▁', '吾', '輩', 'は', '▁猫', 'である']

• 请务必设置use_fast=False，以使上述功能正常工作。

good_tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b", use_fast=False)
bad_tokenizer = AutoTokenizer.from_pretrained("rinna/japanese-gpt-neox-3.6b")

print(good_tokenizer.decode(good_tokenizer.encode("გამარჯობა  吾輩は  猫である   ")))
# 'გამარჯობა  吾輩は  猫である   </s>'
print(bad_tokenizer.decode(bad_tokenizer.encode("გამარჯობა  吾輩は  猫である   ")))
# 'გამარ[UNK]ობა 吾輩は 猫である </s>'

📚 详细文档

引用方式

@misc{rinna-japanese-gpt-neox-3.6b-instruction-sft,
    title = {rinna/japanese-gpt-neox-3.6b-instruction-sft},
    author = {Zhao, Tianyu and Sawada, Kei},
    url = {https://huggingface.co/rinna/japanese-gpt-neox-3.6b-instruction-sft}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

📄 许可证

MIT许可证