LongForm-OPT-125M

LongForm数据集是通过提供增强的指令来利用英文语料库示例创建的。我们从现有的语料库（如C4和维基百科）中选择一组多样化的人工编写文档，并通过LLM生成给定文档的指令。然后，我们使用结构化语料库示例（如Stack Exchange和WikiHow）和任务示例（如问答、电子邮件写作、语法错误修正、故事/诗歌生成和文本摘要）扩展这些示例。

Github Repo: https://github.com/akoksal/LongForm

对于LongForm OPT和LLaMA模型：使用[EOI]表示指令的结束。

如何加载

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("akoksal/LongForm-OPT-125M")
tokenizer = AutoTokenizer.from_pretrained("akoksal/LongForm-OPT-125M")

instruction = "Write an essay about meditation. [EOI]"
torch.manual_seed(42)
input_ids = tokenizer(instruction, return_tensors="pt").input_ids
target_ids = model.generate(input_ids, do_sample=True, max_new_tokens=50, top_p=0.9)
tokenizer.decode(target_ids[0])
# Output:
# > Write an essay about meditation. [EOI]Meditation, or 'Maraise', is
# a method that is used to meditate in the Tibetan and Malay Buddhist
# religions. It is a combination of meditation with Tibetan prayer.
# Meditation is an art in itself. Meditation is a form of practice

评估

我们在文中对LongForm模型和基线进行了深入评估。我们提供了模型在域外数据集上的METEOR分数。在所有任务中，配方生成（RGen）、长篇问题回答（ELI5）、短篇故事生成（WritingPrompts/WP）方面，LongForm模型优于先前的经过指令调优的模型。

LongForm-OPT模型的较小版本也可用：

• LongForm-OPT-1.3B
• LongForm-OPT-350M
• LongForm-OPT-125M

‡：由于LLaMA模型的限制，我们只能公开发布LongForm-LLaMA-7B和预训练LLaMA-7B之间的差异。

限制

LongForm数据集和模型主要关注长文本生成，在NLP中涉及结构化预测任务方面存在一些限制。此外，我们观察到LongForm模型可能存在类似LLM中出现的幻觉问题。

许可证

LongForm项目受MIT许可证的约束，其中包括OpenAI施加的自定义限制（用于指令生成部分）以及语言模型（OPT、LLaMA和T5）的许可证。

引用

@misc{koksal2023longform,
      title={LongForm: Optimizing Instruction Tuning for Long Text Generation with Corpus Extraction}, 
      author={Abdullatif Köksal and Timo Schick and Anna Korhonen and Hinrich Schütze},
      year={2023},
      eprint={2304.08460},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}