推論用コード本コードはunslothで学習したqLoRAのアダプタを用いてELYZA-tasks-100-TVの出力を得るためのコードです。 Hugging Faceにアダプタをアップロードしてあることが前提となります。このコードはunslothライブラリを用いてモデルを読み込み、推論するためのコードとなります。このコードで生成されたjsonlファイルは課題の成果として提出可能なフォーマットになっております。

※本コードはGoogle Colabでの動作を想定しています。

# 必要なライブラリをインストール

%%capture
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install -U torch
!pip install -U peft

# 必要なライブラリを読み込み
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re

# ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）。
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "Ichika425/llm-jp-3-13b-it-v4"

# Hugging Face Token を指定。
# 下記の URL から Hugging Face Token を取得できますので下記の HF_TOKEN に入れてください。
# https://huggingface.co/settings/tokens
HF_TOKEN = "" #@param {type:"string"}

# unslothのFastLanguageModelで元のモデルをロード。
dtype = None # Noneにしておけば自動で設定
load_in_4bit = True # 今回は13Bモデルを扱うためTrue

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# 元のモデルにLoRAのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

# タスクとなるデータの読み込み。
# 事前にデータをアップロードしてください。
datasets = []
with open("/content/elyza-tasks-100-TV_0.jsonl", "r") as f:
    item = ""
    for line in f:
      line = line.strip()
      item += line
      if item.endswith("}"):
        datasets.append(json.loads(item))
        item = ""

# モデルを用いてタスクの推論。

# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
  input = dt["input"]

  prompt = f"""### 指示 あなたは日本語のスペシャリストです。問題に正確に答えてください。これから、いくつかの例題と回答例を示すので参考にしてください。

[例題1]
伊勢神宮は何県？
[回答例]
伊勢神宮は三重県にあります。

[例題2]
水素とヘリウムはどのように違うか、次の事実を用いて説明してください。 宇宙は情報でできている 水素は可燃性だが、ヘリウムは難燃性だから爆発しない。 ともに常温では空気よりも軽い気体であり、難燃性のヘリウムはよく風船などに使われる。 しかし決定的な違いは、原子番号だ。水素は1で、ヘリウムは2である。 水素とヘリウムは、なんとなく似ていると思うかもしれない。 では鉄はどうか。性質はなにもかも違う。しかし決定的な違いは、鉄の原子番号は26だということだ。 では金は?原子番号は79。プラチナこと白金は78、水銀は80である。 この原子番号の違いとは何か。 それは原子核を構成する陽子の数と、その周囲を取り囲む電子の数を意味する。電荷をもたない通常の原子の場合、陽子の数と電子の数は一致している。 逆に言えば、その違いしかない。
[回答例]
水素とヘリウムは共に軽い気体ですが、水素の原子番号は1で、ヘリウムは2と異なります。また水素は可燃性で、ヘリウムは難燃性という違いがあります。

[例題3]
次の質問に答えてください。 缶コーヒーの多くはどのような形をしていますか？一番近いものを選んでください。 A) 円 B) 円錐 C) 円柱 D) 円環
[回答例]
缶コーヒーの多くは C) 円柱 に近い形をしています。

[例題4]
次の言葉を順に全て使って、1つの文を書いてください 全力、安全、活用、軽減
[回答例]
まずそれぞれの言葉の用法を考え、1つの文にまとめます。 - 全力: 全力で - 安全: 安全を確保 - 活用: 資源を活用 - 軽減: 負担を軽減 よって与えられた言葉を順に全て使った文を作成すると次のようになります。 全力で安全を確保しながら、資源を活用して負担を軽減することが重要です。

例題は以上です。
それでは、これから出す問題に答えてください。\n{input}\n### 回答\n"""

  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)

  outputs = model.generate(**inputs, max_new_tokens = 512, use_cache = True, do_sample=False, repetition_penalty=1.2)
  prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]

  results.append({"task_id": dt["task_id"], "input": input, "output": prediction})

  # 結果をjsonlで保存。

# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
json_file_id = re.sub(".*/", "", adapter_id)
with open(f"/content/{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')