模型卡片

摘要

该模型使用 H2O LLM Studio 进行训练。

• 基础模型： EleutherAI/gpt-neox-20b
• 数据集准备： OpenAssistant/oasst1

使用方法

在具备GPU的机器上，要使用transformers库的该模型，请确保已安装transformers和torch库。

pip install transformers==4.28.1
pip install torch==2.0.0

import torch
from transformers import pipeline

generate_text = pipeline(
    model="h2oai/h2ogpt-gm-oasst1-multilang-1024-20b",
    torch_dtype=torch.float16,
    trust_remote_code=True,
    device_map={"": "cuda:0"},
)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=256,
    do_sample=False,
    num_beams=2,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
)
print(res[0]["generated_text"])

可以在预处理步骤后打印样本提示以查看如何将其输入tokenizer：

print(generate_text.preprocess("Why is drinking water so healthy?")["prompt_text"])

<|prompt|>Why is drinking water so healthy?<|endoftext|><|answer|>

或者，如果您希望不使用trust_remote_code=True，可以下载h2oai_pipeline.py，将其与笔记本放在一起，并根据加载的模型和tokenizer构建流水线：

import torch
from h2oai_pipeline import H2OTextGenerationPipeline
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-multilang-1024-20b",
    padding_side="left"
)
model = AutoModelForCausalLM.from_pretrained(
    "h2oai/h2ogpt-gm-oasst1-multilang-1024-20b",
    torch_dtype=torch.float16,
    device_map={"": "cuda:0"}
)
generate_text = H2OTextGenerationPipeline(model=model, tokenizer=tokenizer)

res = generate_text(
    "Why is drinking water so healthy?",
    min_new_tokens=2,
    max_new_tokens=256,
    do_sample=False,
    num_beams=2,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
)
print(res[0]["generated_text"])

您还可以根据加载的模型和tokenizer自己构建流水线，并考虑预处理步骤：

from transformers import AutoModelForCausalLM, AutoTokenizer


model_name = "h2oai/h2ogpt-gm-oasst1-multilang-1024-20b"  # either local folder or huggingface model name
# Important: The prompt needs to be in the same format the model was trained with.
# You can find an example prompt in the experiment logs.
prompt = "<|prompt|>How are you?<|endoftext|><|answer|>"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
model.cuda().eval()
inputs = tokenizer(prompt, return_tensors="pt", add_special_tokens=False).to("cuda")

# generate configuration can be modified to your needs
tokens = model.generate(
    **inputs,
    min_new_tokens=2,
    max_new_tokens=256,
    do_sample=False,
    num_beams=2,
    temperature=float(0.3),
    repetition_penalty=float(1.2),
)[0]

tokens = tokens[inputs["input_ids"].shape[1]:]
answer = tokenizer.decode(tokens, skip_special_tokens=True)
print(answer)

模型架构

GPTNeoXForCausalLM(
  (gpt_neox): GPTNeoXModel(
    (embed_in): Embedding(50432, 6144)
    (layers): ModuleList(
      (0-43): 44 x GPTNeoXLayer(
        (input_layernorm): LayerNorm((6144,), eps=1e-05, elementwise_affine=True)
        (post_attention_layernorm): LayerNorm((6144,), eps=1e-05, elementwise_affine=True)
        (attention): GPTNeoXAttention(
          (rotary_emb): RotaryEmbedding()
          (query_key_value): Linear(in_features=6144, out_features=18432, bias=True)
          (dense): Linear(in_features=6144, out_features=6144, bias=True)
        )
        (mlp): GPTNeoXMLP(
          (dense_h_to_4h): Linear(in_features=6144, out_features=24576, bias=True)
          (dense_4h_to_h): Linear(in_features=24576, out_features=6144, bias=True)
          (act): FastGELUActivation()
        )
      )
    )
    (final_layer_norm): LayerNorm((6144,), eps=1e-05, elementwise_affine=True)
  )
  (embed_out): Linear(in_features=6144, out_features=50432, bias=False)
)

模型配置

该模型使用H2O LLM Studio进行训练，并使用cfg.yaml中的配置。访问 H2O LLM Studio 以了解如何训练您自己的大语言模型。

模型验证

使用 EleutherAI lm-evaluation-harness 进行的模型验证结果。

CUDA_VISIBLE_DEVICES=0 python main.py --model hf-causal-experimental --model_args pretrained=h2oai/h2ogpt-gm-oasst1-multilang-1024-20b --tasks openbookqa,arc_easy,winogrande,hellaswag,arc_challenge,piqa,boolq --device cuda &> eval.log

免责声明

在使用此存储库中提供的大语言模型之前，请仔细阅读此免责声明。您对该模型的使用表示您同意以下条款和条件。

• 偏见和冒犯性：大语言模型训练于多样化的互联网文本数据，可能包含有偏见、种族主义、冒犯或其他不适当的内容。使用该模型即表示您承认并接受生成的内容有时可能存在偏见，或产生冒犯或不适当的内容。本存储库的开发者不认可、支持或推广任何此类内容或观点。
• 限制：大语言模型是一种基于人工智能的工具，而不是人类。它可能会生成不正确、荒谬或不相关的回答。用户有责任对生成的内容进行批判性评估，并自行决定是否使用。
• 自担风险：使用该大语言模型的用户必须对其使用可能产生的任何后果承担全部责任。本存储库的开发者和贡献者不承担任何因使用或滥用提供的模型而导致的损害、损失或伤害。
• 道德考虑：鼓励用户负责任、合乎道德地使用大语言模型。使用该模型时，您同意不将其用于促进仇恨言论、歧视、骚扰或任何形式的非法或有害活动。
• 报告问题：如果您遇到大语言模型生成的有偏见、冒犯或其他不适当的内容，请通过提供的渠道向存储库维护人员报告。您的反馈将有助于改进模型并减少潜在问题。
• 免责声明的更改：本存储库的开发者保留随时修改或更新本免责声明的权利，无需事先通知。用户有责任定期查阅免责声明，以了解任何变更。

使用此存储库中提供的大语言模型，即表示您同意接受并遵守本免责声明中概述的条款和条件。如果您不同意本免责声明的任何部分，则应避免使用该模型及其生成的任何内容。