role: system
content: Je bent een behulpzame Nederlandse AI-assistent.
role: user
content: Is Nederlandse wijn lekker?
datasets:
yhavinga/mc4_nl_cleaned
yhavinga/nedd_wiki_news
teknium/OpenHermes-2.5
euirim/goodwiki
philschmid/flanv2
Boreas
NB: 20240430 model card is WIP - evaluations / example generations to be added
BoreasThe Mighty God of the North Wind
Boreas-7B is een Nederlands/Engels taalmodel gebaseerd op Mistral-7B.
Het is getraind op 10 miljard tokens aan Nederlandse en Engelse tekst.
Boreas-7B-chat is verder getraind op instructie- en chat data.
Boreas-7B is vergelijkbaar met GEITje-7B in die zin dat
het ook een model is dat verder getraind is op Mistral-7B, met een evenzogrote hoeveelheid tokens (10B).
Boreas-7B-chat is vergelijkbaar met GEITje-7B-chat en GEITJE-7B-ultra-sft, in die zin dat het ook een
fine-tune is op een chat dataset.
Edwin Rijgersberg heeft uitgebreide documentatie geschreven voor het gebruik van GEITje,
en deze is ook van toepassing op Boreas.
De voornaamste verschillen tussen Boreas en GEITje zijn:
Boreas is getraind met een context lengte van 2048 tokens, GEITje met 8192 tokens.
Boreas is getraind op een mix van Engels en Nederlands, waar GEITje alleen op voornamelijk Nederlands getraind is.
Gebruik met ollama
Kies een GGUF quant van Boreas-7B-chat-v1-GGUF
en volg de instructies daar.
Belangrijk: gebruik een system prompt, anders zijn de resultaten matig.
Doel Boreas
Creatie van een taalmodel dat wat betreft het Nederlandse gedeelte, niet getraind is op teksten gegeneerd door
een LLM. Dus geen Nederlandse chats gegeneerd door een LLM, en ook geen datasets die vertaald zijn uit het Engels door een LLM.
Er is niet streng gefilterd op LLM-gegenereerde tekst, maar dit is wel een aandachtspunt geweest bij het samenstellen van de datasets.
Bij het finetunen van Boreas-chat zijn toch 3% van de tokens Nederlandse chats gegeneerd door een LLM.
Dit is een kleine dataset die gemaakt is op basis van Nederlandse bronteksten, en een steekproef heeft uitgewezen
dat deze data van een goede kwaliteit is.
Het uiteindelijke chat model is getraind op een mix van voornamelijk:
Openhermes-2.5: grote, diverse Engelse chat dataset (~45%)
Een engels naar nederlands vertaal dataset (~34%)
Pre-train data: verder met Wiki en boeken (~12%)
Nederlandse wiki en boeken q en a (~3%)
Het Boreas model kan dus beschouwd worden als een test voor knowledge transfer van Engels naar Nederlands.
Boreas-7B basismodel
Het basismodel is op Mistral-7B doorgetraind op 10 miljard tokens.
De dataset is samengesteld uit verschillende bronnen in zowel Nederlands en Engels:
Datasetnaam
Aantal Tokens
Percentage Tokens (%)
Nederlandse romans
3401M
34.01
Nederlandse Wikipedia
2381M
23.81
mc4_nl_cleaned (Nederlands)
1361M
13.61
Nederlands nieuws
1361M
13.61
Nederlandse schoolboeken
136M
1.36
Engelse romans
340M
3.40
Engelse Wikipedia (euirim/goodwiki)
340M
3.40
Engelse wiskunde- en natuurkundeboeken
340M
3.40
Engelse instructiedataset (philschmid/flanv2)
340M
3.40
De keuze voor deze mix is gebaseerd op zowel beschikbaarheid van data als de volgende overwegingen:
Veel Nederlands van hoge kwaliteit, teksten primair in het Nederlands geschreven door mensen. Hieruit volgt de keuze
voor romans, Wikipedia en nieuwsartikelen, maar bijvoorbeeld uitsluiten van forum-/twitterberichten en wetteksten.
Erin mixen van de originele dataset voor ~5%, om ervoor te zorgen dat een model haar originele kennis niet verliest.
Het is niet bekend op welke data Mistral getraind is, maar het is aannemelijk dat er kwalitatief goed Engels en ook instructiedata in verwerkt is. Daarom is voor de ~3% aan Engelse boeken, Wikipedia en ook instructiedata gekozen.
Zoveel mogelijk uitsluiten van door LLM's gegenereerde teksten in de pre-train fase. Bij veel datasets, vooral Nederlands, valt me op dat
de vertalingen of generaties van een slechte kwaliteit zijn. Daarom is gekozen voor datasets waarvan de brondata
pre ChatGPT tijdperk zijn, (dus voor November 2022).
mc4_nl_cleaned - de bron van deze dataset is mC4 - deduplicated data van Common
Crawl, en gefiltered op bad-words en andere bewerkingen volgens het recept van de T5 auteurs voor de Engelse C4 dataset. In diverse ablations blijkt C4 een goede pre-train dataset, daarom is mc4_nl_cleaned ook voor dit model gebruikt.
Er is geen sourcecode in gemixt - ik verwacht niet dat een 7B model ooit code kan genereren dat bruikbaar is.
Misschien helpt het bij logisch redeneer-puzzels, maar ook daarvoor verwacht ik dat een 7B model dit nooit zo goed
zal kunnen of generaliseren als grotere modellen.
Bij het pre-trainen zijn de brontexten gepackt in blokken van 2048 tokens. Hierbij is waar mogelijk geprobeerd om alleen
teksten te packen die bij elkaar passen. Ook worden kleine fragmenten weggegooid, zodat we
bijvoorbeeld nooit een fragment krijgen dat begint met een paar tokens van het einde van een wikipedia artikel, om daarna met een ander wikipedia artikel te beginnen. Dit is gedaan om 'cross sequence' ruis binnen 1 example zoveel mogelijk te voorkomen. Pas na packing zijn de examples geshuffled.
LION optimizer, triangle learning rate schedule with max lr 3e-6, gradient clipping to 1.0
img_3.png
img_4.png
img_5.png
Boreas-7B-chat
Het chat LLM model is net als het basismodel getraind op een mix van datasets, met een grootte van 4.7B tokens.
Het is een full finetune, dus geen LoRA finetune.
De volgende datasets zijn gemixt:
Datasetnaam
Gewicht
Percentage Tokens (%)
(C) Diverse Engelse chat dataset (teknium/OpenHermes-2.5)
200
45.15
(C) Vertaal en->nl paragrafen (romans)
100
22.57
(C) Vertaal en->nl zinnen (romans)
50
11.29
(P) Nederlandse wikipedia
30
6.77
(P) Engelse wiskunde en natuurkunde boeken
25
5.64
(C) Engelse instruct dataset (philschmid/flanv2)
20
4.51
(C) Nederlandse wiki q en a
12
2.71
(C) Nederlandse schoolboeken q en a
3
0.68
(P) Nederlandse schoolboeken
2
0.45
(C) Vertaal en->nl uitdrukkingen (dictionary)
1
0.23
(C) geeft aan dat de tekst geformatteerd is voor chat, (P) is ongeformatteerde tekst (gelijk aan de pre-train fase)
Het grootste gedeelte bestaat uit teknium/OpenHermes-2.5 - wat op zichzelf ook weer een amalgamaat van diverse
gefilterde chat/instruct datasets is. Deze dataset bevat wel programmacode data, wat ertoe resulteert dat Boreas-7B-chat
wel in staat is om simpele programmavragen te beantwoorden.
De reden om zoveel Engels in de dataset te mixen, is met name om de diversiteit in de dataset zo hoog mogelijk te
krijgen, en omdat ik verwacht dat er een behoorlijke mate van cross language en naar nl knowledge transfer mogelijk is.
Het omgekeerde is zeker waar: als een fine-tune dataset niet divers is, zal het model door zijn fine-tuning niet in
staat zijn om zijn originele kunde uit te voeren. Een van de eerste Mistral finetunes die ik gemaakt heb was gefinetuned
op alleen en->nl vertalen. Dat model kon uiteindelijk niets anders meer dan vertalen naar Nederlands.
In tegenstelling tot het basismodel is het chat model wel getrained op LLM-gegenereerde teksten - hierbij zijn de volgende
overwegingen van toepassing: Bij de Nederlandse gegenereerde chats heb ik wederom geprobeerd om zoveel mogelijk origineel
Nederlands taalgebruik te 'guiden' door alleen vragen en antwoorden te genereren op basis van teksten die origineel in
het Nederlands geschreven zijn door een persoon. Dit zijn de Nederlandse wiki q en a en Nederlandse schoolboeken q en a
chat datasets. Hierdoor wordt er zoveel mogelijk voor gezorgd dat bij bijvoorbeeld educatie-achtige q en a, de in onze
regio gebruikelijke termen en eenheden voorkomen in de chat database, tenminste voor de Nederlandstalige chats.
Bij alle chat datasets is er alleen getraind op de assistant-completion tokens.
LION optimizer, triangle learning rate schedule with max lr 2e-6, gradient clipping to 1.0 (NB: the schedule was not finished due to an error at the end of the dataset epoch. Since the loss had plateaued I decided then to not resume for another epoch)
