LongForm-OPT-6.7B

LongForm数据集是通过加入增强的指导说明来利用英语语料库示例创建的。我们从现有的语料库中选择了一组多样化的人工编写的文档，如C4和维基百科，并通过LLM生成了这些文档的指导说明。然后，我们通过结构化的语料库示例（如Stack Exchange和WikiHow）和任务示例（如问答、电子邮件写作、语法错误纠正、故事/诗歌生成和文本摘要）扩展了这些示例。

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

对于LongForm OPT和LLaMA模型：使用[EOI]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-6.7B")
tokenizer = AutoTokenizer.from_pretrained("akoksal/LongForm-OPT-6.7B")

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], skip_special_tokens=True)
# Output:
# > Write an essay about meditation. [EOI]Meditation is a way to quiet the\
# mind, focus on the present, and achieve a calm and serene state of mind.\
# In today's society, people are constantly running from one thing to the next.\
# In order to maintain good mental health,

评估

我们在论文中对LongForm模型和基准进行了深入评估。我们在领域外数据集上提供了模型的METEOR得分。在所有任务中，食谱生成（RGen）、长文问答（ELI5）、短篇故事生成（WritingPrompts/WP）方面，LongForm模型优于先前的经过指导调优的模型。

还提供了LongForm-OPT模型的较小版本：

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

‡：由于LLaMA模型的限制，我们可以公开发布LongForm-LLaMA-7B和预训练的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，并且在NLP的结构化预测任务方面存在一些限制。此外，我们观察到LongForm模型可能会出现类似于LLM中发现的产生假象的问题。

许可

LongForm项目受MIT许可证的约束，其中还有OpenAI强加的自定义限制（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}
}