shibing624 / chinese-alpaca-plus-7b-hf

Chinese Alpaca Plus 7B Model

发布中文LLaMA, Alpaca Plus版（7B）模型

推出中文LLaMA, Alpaca Plus版（7B），相比基础版本的改进点如下：

• 进一步扩充了训练数据，其中LLaMA扩充至120G文本（通用领域），Alpaca扩充至4M指令数据（重点增加了STEM相关数据）
• Alpaca训练时采用了更大的rank，相比原版具有更低的验证集损失
• 评测结果显示，Alpaca-Plus-7B相比基础版Alpaca-7B效果更优，部分任务接近或超过13B版本
• 这一轮比拼：7B获得65.3分，13B获得70.9分，Plus-7B效果75.3分，具体评测结果请参考 效果评测

本模型是 原生LLaMA-7B 合并 中文LLaMA LoRA 和 中文Alpaca LoRA 后的模型权重 chinese-alpaca-plus-7b-hf ，并转化为HuggingFace版本权重（.bin文件），可以直接使用或者继续训练。

13b-hf权重链接： https://huggingface.co/shibing624/chinese-alpaca-plus-13b-hf

test case:

release model weight

• chinese-llama-plus-7b 模型权重链接： https://huggingface.co/minlik/chinese-llama-plus-7b-merged
• chinese-alpaca-plus-7b 模型权重链接： https://huggingface.co/shibing624/chinese-alpaca-plus-7b-hf
• chinese-llama-plus-13b 模型权重链接： https://huggingface.co/shibing624/chinese-llama-plus-13b-hf
• chinese-aplaca-plus-13b 模型权重链接： https://huggingface.co/shibing624/chinese-alpaca-plus-13b-hf

Usage

本项目开源在textgen项目： textgen ，可支持llama模型，通过如下命令调用：

Install package:

pip install -U textgen

from textgen import GptModel
model = GptModel("llama", "shibing624/chinese-alpaca-plus-7b-hf")
r = model.predict(["用一句话描述地球为什么是独一无二的。"])
print(r) # ['地球是独一无二的，因为它拥有独特的大气层、水循环、生物多样性以及其他自然资源，这些都使它成为一个独特的生命支持系统。']

Usage (HuggingFace Transformers)

Without textgen , you can use the model like this:

First, you pass your input through the transformer model, then you get the generated sentence.

Install package:

pip install sentencepiece
pip install transformers>=4.28.0

import torch
import transformers
from transformers import LlamaTokenizer, LlamaForCausalLM

def generate_prompt(text):
    return f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:
{text}

### Response:"""


tokenizer = LlamaTokenizer.from_pretrained('shibing624/chinese-alpaca-plus-7b-hf')
model = LlamaForCausalLM.from_pretrained('shibing624/chinese-alpaca-plus-7b-hf').half().cuda()
model.eval()

text = '为什么天空是蓝色的？'
prompt = generate_prompt(text)
input_ids = tokenizer.encode(prompt, return_tensors='pt').to('cuda')


with torch.no_grad():
    output_ids = model.generate(
        input_ids=input_ids,
        max_new_tokens=128,
        temperature=1,
        top_k=40,
        top_p=0.9,
        repetition_penalty=1.15
    ).cuda()
output = tokenizer.decode(output_ids[0], skip_special_tokens=True)
print(output.replace(text, '').strip())

output:

为什么天空是蓝色的？
天空是蓝色的，是因为大气层中的气体分子会散射太阳光中的蓝色光，使得我们看到的天空是蓝色的。

模型来源

release合并后的模型权重，一步到位直接使用，省电、减少碳排放。

基于 多LoRA权重合并（适用于Chinese-Alpaca-Plus ） 方法手动合并而成，具体是使用 decapoda-research/llama-7b-hf 底座模型 合并 Chinese-LLaMA-Plus-LoRA和Chinese-Alpaca-Plus-LoRA 两个LoRA权重 得到，并转化为HuggingFace版本权重（.bin文件）。

HuggingFace版本权重（.bin文件）可用于：

• 使用Transformers进行训练和推理
• 使用text-generation-webui搭建界面

PyTorch版本权重（.pth文件）可用于：

• 使用llama.cpp工具进行量化和部署

PyTorch版本权重（.pth文件）链接，8-bit量化版的Alpaca-Plus-7B： Billsfriend/chinese-Alpaca-7b-plus-ggml-q8_0

模型文件组成：

chinese-alpaca-plus-7b-hf
    config.json
    generation_config.json
    pytorch_model-00001-of-00002.bin
    pytorch_model-00002-of-00002.bin
    pytorch_model.bin.index.json
    special_tokens_map.json
    tokenizer.json
    tokenizer.model
    tokenizer_config.json

硬件要求：14G显存

微调数据集

我整理部分公开微调数据集：

1. 50万条中文ChatGPT指令Belle数据集： BelleGroup/train_0.5M_CN
2. 100万条中文ChatGPT指令Belle数据集： BelleGroup/train_1M_CN
3. 5万条英文ChatGPT指令Alpaca数据集： 50k English Stanford Alpaca dataset
4. 5万条中文GPT4指令Alpaca数据集： shibing624/alpaca-zh
5. 69万条中文指令Guanaco数据集(Belle50万条+Guanaco19万条)： Chinese-Vicuna/guanaco_belle_merge_v1.0

如果需要训练LLaMA模型，请参考 https://github.com/shibing624/textgen

Citation

@software{textgen,
  author = {Xu Ming},
  title = {textgen: Implementation of language model finetune},
  year = {2023},
  url = {https://github.com/shibing624/textgen},
}

Reference

• https://github.com/ymcui/Chinese-LLaMA-Alpaca

Open LLM Leaderboard Evaluation Results

Detailed results can be found here