Steel-LLM / README.md
nielsr's picture
nielsr HF staff
Add library_name and pipeline_tag to model card
790abb1 verified
|
raw
history blame
4.77 kB
metadata
license: apache-2.0
library_name: modelscope
pipeline_tag: text-generation

开源中文预训练语言模型Steel-LLM

由zhanshijin和lishu14创建

👋 介绍

Steel-LLM是个人发起的利用业余时间从零开始预训练中文大模型的项目。我们使用了1T+的数据预训练一个1B左右参数量的中文LLM,耗时8个月。我们分享了数据收集、数据处理、预训练框架修改、模型设计、模型微调等全过程,并开源全部代码。让每个人在有8~几十张卡的情况下都能复现我们的工作。得益于开源中文数据,Steel LLM在中文benchmark上表现优于一些大几倍的机构发布的LLM,最终在ceval达到了38分,cmmlu达到了33分。

🐱 Github      📑 Blog   🌐公众号:炼钢AI

"Steel(钢)"取名灵感来源于华北平原一只优秀的乐队“万能青年旅店(万青)”。乐队在做一专的时候条件有限,自称是在“土法炼钢”,但却是一张神专。我们训练LLM的条件同样有限,但也希望能炼出好“钢”来。

🔥更新

2025.1.17 更新steel-LLM-chat-v2,微调时加入了英文数据,中英文数据比例和预训练保持一致,最终在ceval上由38分提高到了41.9分,cmmlu从33分提高到了36分。

📖 预训练数据

预训练数据方面,Steel-LLM主要使用了wanjuan1.0、Skywork/Skypile-150B数据集、starcoder的python/java/c++数据。另外也加入了中文维基百科、百度百科、知乎问答等数据,转换为token id后占用1.7T硬盘空间。Steel-LLM也对问答数据以及代码数据使用data-juicer进行了数据清洗,数据收集及数据处理的具体细节见我的博客: https://mp.weixin.qq.com/s/yqmtHLuuNV9075qHgzhcPw

🎰 训练框架

训练框架方面,我们修改了TinyLlama训练程序,兼容Hugginface格式模型、支持了数据断点续训、支持了追加新的数据等能力。训练前20k checkpoint使用8 * A100,之后使用的是8 * H800 具体的技术细节见我的博客:https://mp.weixin.qq.com/s/KPRir6bK3MZZ-vMFTfhUQQ

🤖模型结构

tokenizer方面,使用了Qwen/Qwen1.5-MoE-A2.7B-Chat的tokenizer。模型结构方面基于Qwen1.5模型进行了以下的新结构的尝试:

💡 微调

微调阶段主要使用了BAAI/Infinity-Instruct、预训练数据中的wanjuan中文选择题部分(回炉重造)、ruozhiba等数据。尝试了COT/非COT微调、刷榜测试。 具体的实验细节见我的博客:https://mp.weixin.qq.com/s/KK0G0spNw0D9rPUESkHMew

🏅 评估

Steel-LLM在CEVAL和CMMLU上进行了测试。Steel-LLM旨在训练一个中文LLM,80%的训练数据都是中文,因此并没有在英文benchmark上进行评测。 其他模型的指标来自于CEVAL论文、MiniCPM技术报告、MAP-Neo技术报告等途径。更多模型的指标可查看之前的博客

CEVAL CMMLU
Steel-LLM(chat v2) 41.9 36.08
ChatGPT 51.0 -
GPT4 66.4 -
ChatGLM-6B 38.9 -
Moss 33.1 -
LLAMA-65B 34.7 -
Tiny-Llama-1.1B 25.02 24.03
Qwen-7B 58.96 60.35
Gemma-7B 42.57 44.20
Qwen-1.8B 49.81 45.32
mini-CPM-1.2B 49.14 46.81
Phi2(2B) 23.37 24.18
OLMo-7B 35.18 35.55
MAP-NEO-7B 56.97 55.01

⛏️ 快速使用

from modelscope import AutoModelForCausalLM, AutoTokenizer

model_name = "zhanshijin/Steel-LLM"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "你是谁开发的"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)