metadata
license: other
license_name: tongyi-qianwen-research
license_link: https://huggingface.co/Qwen/Qwen1.5-0.5B/blob/main/LICENSE
language:
- ja
- en
pipeline_tag: text-generation
datasets:
- kunishou/databricks-dolly-15k-ja
- Kendamarron/jimba-instuction-1k-beta
- Kendamarron/pret-a-porter-instruction-v0.1
モデルについて
Qwen/Qwen1.5-0.5Bを日英データ5Bトークンで継続事前学習したTokara-0.5B-v0.1を日本語instructionデータセットでファインチューニングしたモデルです。
0.5Bというモデルサイズにしてはコミュニケーションが行えるモデルになっています。
学習データにマルチターンのデータセットを含めているため、複数ターンの会話も行えるはずです。
モデルサイズの問題なのか、repetition_penaltyを1.15～1.25くらいにしないと早めに繰り返しが始まります。
詳細はこちらをご覧ください。
データセット
- kunishou/databricks-dolly-15k-ja
- Kendamarron/jimba-instuction-1k-beta
- Kendamarron/pret-a-porter-instruction-v0.1
- Kendamarron/jimba-oasst2-ja（公開準備中）
jimba-oasst2-jaはoasst2のinstructionを起点にSwallow-MXを使って作成したマルチターン合成データセットです。
名前について
日本の在来馬であるトカラ馬から
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
device = "cuda"
model = AutoModelForCausalLM.from_pretrained(
'Kendamarron/Tokara-0.5B-Chat-v0.1',
torch_dtype=torch.bfloat16,
device_map=device,
)
tokenizer = AutoTokenizer.from_pretrained('Kendamarron/Tokara-0.5B-Chat-dolly-jimba')
messages = [
{"role": "system", "content": "あなたは誠実で優秀な日本人のアシスタントです。"},
{"role": "user", "content": "野菜は体にいいですか？"}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(device)
generated_ids = model.generate(
model_inputs.input_ids,
max_new_tokens=256,
do_sample=True,
top_p=0.95,
top_k=40,
temperature=0.7,
repetition_penalty=1.1,
pad_token_id=tokenizer.eos_token_id,
eos_token_id=tokenizer.eos_token_id,
no_repeat_ngram_size=2
)
generated_ids = [
output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)