英文

目录

  • 模型摘要
  • 用途
  • 限制
  • 训练
  • 评估
  • 引用
  • 模型摘要

    我们提出了BLOOMZ & mT0模型系列,这是一组能够零-shot跟随人类指令的模型,可处理几十种语言。我们使用BLOOM和mT5预训练的多语言语言模型,在我们的跨语言任务混合(xP3)上进行微调,发现所得到的模型能够在未见过的任务和语言上实现跨语言泛化。

    Multitask finetuned on 1239321 . Recommended for prompting in English.
    Parameters 300M 580M 1.2B 3.7B 13B 560M 1.1B 1.7B 3B 7.1B 176B
    Finetuned Model 12310321 12311321 12312321 12313321 12314321 12315321 12316321 12317321 12318321 12319321 12320321
    Multitask finetuned on 12321321 . Recommended for prompting in non-English.
    Finetuned Model 12322321 12323321 12324321
    Multitask finetuned on 12325321 . Released for research purposes only. Strictly inferior to above models!
    Finetuned Model 12326321 12327321 12328321
    Original pretrained checkpoints. Not recommended.
    Pretrained Model 12329321 12330321 12331321 12332321 12333321 12334321 12335321 12336321 12337321 12338321 12339321

    用途

    预期用途

    我们建议使用该模型执行用自然语言表达的任务。例如,给定提示语“翻译成英语:Je t’aime”,模型很可能会回答“我爱你”。以下是一些来自我们论文的提示的例子:

    • 一个传奇的开端,一个不灭的神话,这不仅仅是一部电影,而是作为一个走进新时代的标签,永远彪炳史册。你认为这句话的立场是赞扬、中立还是批评?
    • 提供至少五个与“Mạng neural nhân tạo”相关的搜索词。
    • 写一个关于一个巨魔从危险的龙那里拯救公主的童话故事。这个童话故事是一部在全世界受到赞誉的杰作,它的寓意是“英雄才有各种形状和大小”。故事(用西班牙语):
    • 用泰卢固语的一句话解释神经网络中的反向传播是什么。

    欢迎在社区页面分享生成的结果!

    使用方法

    CPU

    点击展开
    # pip install -q transformers
    from transformers import AutoModelForCausalLM, AutoTokenizer
    
    checkpoint = "bigscience/bloomz-7b1-p3"
    
    tokenizer = AutoTokenizer.from_pretrained(checkpoint)
    model = AutoModelForCausalLM.from_pretrained(checkpoint)
    
    inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt")
    outputs = model.generate(inputs)
    print(tokenizer.decode(outputs[0]))
    

    GPU

    点击展开
    # pip install -q transformers accelerate
    from transformers import AutoModelForCausalLM, AutoTokenizer
    
    checkpoint = "bigscience/bloomz-7b1-p3"
    
    tokenizer = AutoTokenizer.from_pretrained(checkpoint)
    model = AutoModelForCausalLM.from_pretrained(checkpoint, torch_dtype="auto", device_map="auto")
    
    inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
    outputs = model.generate(inputs)
    print(tokenizer.decode(outputs[0]))
    

    使用8位GPU

    点击展开
    # pip install -q transformers accelerate bitsandbytes
    from transformers import AutoModelForCausalLM, AutoTokenizer
    
    checkpoint = "bigscience/bloomz-7b1-p3"
    
    tokenizer = AutoTokenizer.from_pretrained(checkpoint)
    model = AutoModelForCausalLM.from_pretrained(checkpoint, device_map="auto", load_in_8bit=True)
    
    inputs = tokenizer.encode("Translate to English: Je t’aime.", return_tensors="pt").to("cuda")
    outputs = model.generate(inputs)
    print(tokenizer.decode(outputs[0]))
    

    限制

    提示工程:性能可能因提示而异。对于BLOOMZ模型,我们建议在输入终止时清楚地表明,以避免模型试图继续处理。例如,提示“翻译成英语:Je t'aime”如果没有句号(.)结尾,可能导致模型试图继续翻译法语句子。更好的提示可以是“翻译成英语:Je t'aime.”,“翻译成英语:Je t'aime.翻译:”或者“Je t'aime.翻译成英语是什么?”,这样对于模型来说很清楚何时回答。此外,我们建议尽可能提供给模型更多的上下文。例如,如果您希望它用泰卢固语回答,请告诉模型“用泰卢固语的一句话解释神经网络中的反向传播是什么。”。

    训练

    模型

    • 结构: 与 bloom-7b1 相同,也请参考 config.json 文件
    • 微调步骤: 1000
    • 微调标记数: 41.9亿
    • 微调布局: 1x管道并行,1x张量并行,64x数据并行
    • 精度: 浮点16位

    硬件

    • CPU: 每个节点具有512GB内存的AMD CPU
    • GPU: 使用64个A100 80GB GPU,每个节点有8个GPU(8个节点),使用4个NVLink 4互联GPU和4个OmniPath连接
    • 通信: 具有完全专用子网的NCCL通信网络

    软件

    评估

    我们参考了我们的论文 paper bigscience/evaluation-results 中的表7,其中显示了对未见任务的zero-shot结果。侧边栏报告了每个数据集配置的最佳提示的zero-shot性能。

    引用

    @misc{muennighoff2022crosslingual,
          title={Crosslingual Generalization through Multitask Finetuning}, 
          author={Niklas Muennighoff and Thomas Wang and Lintang Sutawika and Adam Roberts and Stella Biderman and Teven Le Scao and M Saiful Bari and Sheng Shen and Zheng-Xin Yong and Hailey Schoelkopf and Xiangru Tang and Dragomir Radev and Alham Fikri Aji and Khalid Almubarak and Samuel Albanie and Zaid Alyafeai and Albert Webson and Edward Raff and Colin Raffel},
          year={2022},
          eprint={2211.01786},
          archivePrefix={arXiv},
          primaryClass={cs.CL}
    }