LongForm-OPT-350M

LongForm数据集是通过使用增强指导方法基于英语语料库示例创建的。我们从现有的语料库（如C4和维基百科）中选择了一组多样化的人工编写文档，并通过LLMs为这些文档生成指导说明。然后，我们使用结构化语料库示例（如Stack Exchange和WikiHow）以及任务示例（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]来表示指导说明的结束。

如何加载

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("akoksal/LongForm-OPT-350M")
tokenizer = AutoTokenizer.from_pretrained("akoksal/LongForm-OPT-350M")

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 "Meditation in the
# Name of Love," is a common and well-accepted practice that improves one's
# quality of life by giving the mind a chance to focus on something, such as a
# new experience or a relationship. It

评估

我们在论文中对LongForm模型和基线模型进行了深入评估。我们展示了模型在领域外数据集上的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）中，LongForm模型优于先前的指导调优模型。

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与预训练的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，并在NLP中的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LLMs中出现的虚构问题。

许可

LongForm项目受到MIT许可证的约束，但因OpenAI的限制（对于指导说明生成部分）以及语言模型（OPT、LLaMA和T5）的许可证限制而有一些定制限制。

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}
}