|
--- |
|
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](https://huggingface.co/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](https://huggingface.co/Kendamarron/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](https://zenn.dev/kendama/articles/55564e12da6e82)をご覧ください。 |
|
|
|
## データセット |
|
- [kunishou/databricks-dolly-15k-ja](https://huggingface.co/datasets/kunishou/databricks-dolly-15k-ja) |
|
- [Kendamarron/jimba-instuction-1k-beta](https://huggingface.co/datasets/Kendamarron/jimba-instuction-1k-beta) |
|
- [Kendamarron/pret-a-porter-instruction-v0.1](https://huggingface.co/datasets/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 |
|
|
|
```python |
|
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) |
|
``` |
