WiNGPT2-Llama-3-8B
Collection
4 items
•
Updated
WiNGPT2
WiNGPT 是一个基于GPT的医疗垂直领域大模型，旨在将专业的医学知识、医疗信息、数据融会贯通，为医疗行业提供智能化的医疗问答、诊断支持和医学知识等信息服务，提高诊疗效率和医疗服务质量。
更新日志
[2024/04/24] 更新 WiNGPT2-Llama-3-8B-Chat-AWQ，WiNGPT2-Llama-3-8B-Chat-GGUF 量化模型
[2024/04/23] 更新 WiNGPT2-Llama-3-8B-Base 和 WiNGPT2-Llama-3-8B-Chat 模型（中文增强/多语言）与测评结果
[2024/04/01] 更新 WiNEval 测评结果
[2024/03/05] 开源7B/14B-Chat-4bit模型权重: 🤗WiNGPT2-7B-Chat-4bit和🤗WiNGPT2-14B-Chat-4bit。
[2023/12/20] 新增用户微信群二维码，有效期到12月27日，扫码进群。
[2023/12/18] 发布卫宁健康医疗模型测评方案 WiNEval-MCKQuiz的评测结果。
[2023/12/12] 开源 WiNGPT2 14B模型权重: 🤗WiNGPT2-14B-Base 和 🤗WiNGPT2-14B-Chat。
[2023/11/02] 34B模型平台测试 和 欢迎加入微信讨论群
[2023/10/13] 更新一个简单的Chatbot示例，可以进行简单的多轮对话。
[2023/09/26] 开源 WiNGPT2 与7B模型权重: 🤗WiNGPT2-7B-Base 和 🤗WiNGPT2-7B-Chat。
如何使用
推理
from transformers import AutoModelForCausalLM, AutoTokenizer
model_path = "WiNGPT-Llama-3-8B-Chat"
device = "cuda"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path).to(device)
model = model.eval()
text = 'User：WiNGPT, 你好<|end_of_text|>\n Assistant：'
inputs = tokenizer.encode(text, return_tensors="pt").to(device)
outputs = model.generate(inputs, repetition_penalty=1.1, max_new_tokens=1024)
response = tokenizer.decode(outputs[0])
print(response)
## 输出结果：你好！今天我能为你做些什么？<|end_of_text|>
提示
WiNGPT-Llama-3-8B-Chat 使用了自定义的提示格式：
用户角色：System/User/Assistant
chat_template:
"{% for message in messages %}{% if message['role'] == 'system' %}System：{% endif %}{% if message['role'] == 'user' %}User：{% endif %}{% if message['role'] == 'assistant' %}Assistant：{% endif %}{{ message['content'] }}<|end_of_text|>\n {% endfor %}Assistant："
指令提示示例：
User：WiNGPT, 你好<|end_of_text|>\n Assistant：
多轮对话示例：
User：WiNGPT, 你好<|end_of_text|>\n Assistant：你好！今天我能为你做些什么？<|end_of_text|>\n User：你是谁？<|end_of_text|>\n Assistant：
翻译功能示例：
System：作为医疗领域的智能助手，WiNGPT将提供中英翻译服务。用户输入的中文或英文内容将由WiNGPT进行准确的翻译，以满足用户的语言需求。<|end_of_text|>\n User：Life is short, you know, and time is so swift; Rivers are wide, so wide, and ships sail far.<|end_of_text|>\n Assistant：
模型卡
训练配置与参数
| 名称 | 训练策略 | 长度 | 精度 | 学习率 | Weight_decay | Epochs | GPUs |
|---|---|---|---|---|---|---|---|
| WiNGPT2-Llama-3-8B-Base | 继续预训练 (20G) | 8192 | bf16 | 5e-5 | 0.05 | 2 | A100*8 |
| WiNGPT2-Llama-3-8B-Chat | 微调/对齐 (50万条) | 8192 | bf16 | 5e-6 | 0.01 | 4 | A100*8 |
| 名称 | 量化方法 | 精度 | 大小 | 用例 |
|---|---|---|---|---|
| WiNGPT2-Llama-3-8B-Chat-AWQ | AWQ | 4 | 5.33 | medium, balanced quality - recommended |
| WiNGPT2-Llama-3-8B-Chat-Q4_K_M.gguf | Q4_K_M | 4 | 4.58 GB | medium, balanced quality |
| WiNGPT2-Llama-3-8B-Chat-Q8_0.gguf | Q8_0 | 8 | 7.95 GB | minimal quality loss |
训练数据
预训练数据约20G，指令微调对齐数据约50万条，详细内容 。
中文医疗评测 - WiNEval
更新时间：2024-04-23
| Type | MCKQuiz | MSceQA | |
|---|---|---|---|
| WiNGPT-Llama-3-8B-Base | Continued Pre-training | 66.3 | / |
| Meta-Llama-3-8B | Pre-training | 37 | / |
| WiNGPT-Llama-3-8B-Chat | Finetuning/Alignment | 65.2 | 79.8 |
| Meta-Llama-3-8B-Instruct | Finetuning/Alignment | 49.8 | 76.3 |
| Meta-Llama-3-70B-Instruct-AWQ | Finetuning/Alignment | 73.5 | 78.6 |
MCKQuiz（客观题）：17个科目分类13060选择题；输入问题和选项，让模型输出答案。根据标准答案判断对错，统计准确率。
MSceQA（主观题）：由细分领域场景题目构成，包含八大业务场景，17个一级分类和32个二级分类。使用人工/模型对模型的回答进行准确性、相关性、一致性、完整性、权威性评价，并参照标准答案对模型生成的答案进行评分。
企业服务
局限性与免责声明
(a) WiNGPT2 是一个专业医疗领域的大语言模型，可为一般用户提供拟人化AI医生问诊和问答功能，以及一般医学领域的知识问答。对于专业医疗人士，WiNGPT2 提供关于患者病情的诊断、用药和健康建议等方面的回答的建议仅供参考。
(b) 您应理解 WiNGPT2 仅提供信息和建议，不能替代医疗专业人士的意见、诊断或治疗建议。在使用 WiNGPT2 的信息之前，请寻求医生或其他医疗专业人员的建议，并独立评估所提供的信息。
(c) WiNGPT2 的信息可能存在错误或不准确。卫宁健康不对 WiNGPT2 的准确性、可靠性、完整性、质量、安全性、及时性、性能或适用性提供任何明示或暗示的保证。使用 WiNGPT2 所产生的结果和决策由您自行承担。第三方原因而给您造成的损害结果承担责任。
许可证
本项目授权协议为 Apache License 2.0，模型权重需要遵守基础模型 Llama-3-8B 相关协议及其许可证，详细内容参照其网站。
使用本项目包括模型权重时请引用本项目：https://github.com/winninghealth/WiNGPT2
联系我们
- Downloads last month
- 666