You can deploy this model and start earning money today!

SODM/
llm-jp-3-13b-unsloth-sft-elyza-ep2-lr2e4_lora

Name: llm-jp-3-13b-unsloth-sft-elyza-ep2-lr2e4_lora
Availability: InStock

Views

No views yet

モデル概要

モデル名: SODM/llm-jp-3-13b-sft-basecode-ep2-lr2e4
モデルの目的: 東京大学　松尾・岩澤研究室が主催するLLM講座2024の最終課題コンペのためにベースコードを用いてSFTを施したものです。
アーキテクチャ: Transformer-based Language Model
オリジナルの実装 (もしあれば): llm-jp/llm-jp-3-13b
ライセンス: cc-by-sa-4.0 | Item | Name | License | |---|---|---| | ベースモデル | llm-jp-3-13b | apache-2.0 | | データセット | elyza/ELYZA-tasks-100[1] | CC BY-SA 4.0 |

データセット

訓練データ(SFT): elyza/ELYZA-tasks-100[1]
評価データ: ELYZA-tasks-100-TV

パフォーマンス

評価指標: LLM(Gemini 1.5)による出力の自動評価
結果: 非公開　※結果の公開は参加者に限定されるため。

制限事項

ここでリリースされたモデルは上記の目的に準じたものです。
出力が人間の意図と安全性の考慮事項に一致するように調整されていません。

その他

モデルの更新: 無し
貢献: 不具合などありましたら、コメント頂けると幸いです。

使い方

以下の推論用コードはGoogle Colabでの動作を想定しております。

bash

# bash
# 必要なライブラリをインストール
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 -q
pip install -U peft -q

Python

# Python
# 必要なライブラリのインポート
import re
import json
import pprint as pp
import torch

from tqdm import tqdm
from unsloth import FastLanguageModel
from peft import PeftModel



model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "SODM/llm-jp-3-13b-unsloth-sft-elyza-ep2-lr2e4_lora"

# モデルとトークナイザの読み込み
# unslothのFastLanguageModelで元のモデルをロード。
dtype = None
load_in_4bit = True

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

# Hugging Face Token
HF_TOKEN = **YOUR_TOKEN**

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

# 入力データの処理（評価用データがGoogleDriveのMyDrive/に保存されている場合）
datasets = []
with open("/content/drive/MyDrive/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 = ""

# 推論
FastLanguageModel.for_inference(model)

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

  prompt = f"""### 指示\n{input}\n改行せずに指示された形式で回答してください。\n### 回答\n"""
  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)

  outputs = model.generate(**inputs, max_new_tokens = 2048, 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})

# jsonlで保存
with open(f"/content/drive/output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

pp.pprint(results)

引用文献

[1] Sasaki, A., Hirakawa, M., Horie, S., & Nakamura, T. (2023年). ELYZA-tasks-100: 日本語instructionモデル評価データセット. https://huggingface.co/elyza/ELYZA-tasks-100