Anima Merged

第一个开源的基于QLoRA的33B中文大语言模型 the First QLoRA based 33B fully open-source Chinese LLM

LICENSE

请注意：本model的LICENSE比较特殊，请确认你的使用场景符合此LICENSE。

Github Repo:

https://github.com/lyogavin/Anima

?模型训练

Anima模型基于QLoRA开源的 33B guanaco 训练了10000 steps。训练使用一个H100 GPU。

• 思考逻辑：本工作主要为了验证QLoRA训练方法的有效性，因此选择了基于QLoRA的Guanaco 33B finetune训练，这个训练更多的是增强模型的中文能力。Assume模型的基础logical reasoning和Knowledge能力已经足够。

使用 Chinese-Vicuna 项目开放的训练数据集 guanaco_belle_merge_v1.0 进行finetune训练。

• 思考逻辑：按照 QLoRA Appendix B.4和Table 9中的Grid Search的结论：对于QLoRA finetune，training sample量不一定越大越好。10000个steps是一个ROI比较优的size。因此我们希望选择一个不小于10000个steps的数据集。 Belle 10M 数据集似乎太大了，不确定数据质量如何。时间有限，先选择guanaco_belle_merge_v1.0。后边会进一步更系统性的测试更多的数据集和数据质量筛选的效果。
• 感谢：Chinese-Vicuna项目、Belle项目、GuanacoDataset的贡献。

基于成本ROI平衡的考虑，没有做太多的grid search，基本的思路是follow QLoRA paper 的结论，因为QLoRA做了相对比较详尽的超参Grid Search实验：

• Batch size: 16 ( QLoRA Appendix B.4和Table 9)
• Max steps: 10000 ( QLoRA Appendix B.4和Table 9)，更多的steps和更大的数据集的训练在进一步实验中，后续会持续更新。
• Learning rate: 1e-4 ( QLoRA Appendix B.4和Table 9)
• LoRA r=64, alpha=16 ( QLoRA Appendix B.2)
• source_max_len=512, target_max_len=512，需要保证大部分的training sample没有truncate，能完整的把信息训练到模型中，根据 脚本 中的估计，512大概可以覆盖大部分的样本长度。

# 1. install dependencies
pip install -r requirements.txt
# 2. 
cd training
./run_Amina_training.sh

# 1. install dependencies
pip install -r requirements.txt
# 2. 
cd training
./run_finetune_raining_based_on_Anima.sh

由于使用Hugging Face Accelerate，天然支持多卡训练。我们测试过双卡40GB的A100，可以直接运行。

?验证评估

• 数据集的选择：如 Belle Paper 中论述，评估集的不同类型分布对于评估结论影响巨大。如田忌赛马，以己之长攻人之短，很容易占优势。因此我们选择了英文chatbot模型研究工作中比较普遍公认的 Vicuna benchmark 。为了评测中文，我们使用GPT4对于问题做了翻译。 翻译代码 和 数据集 。
• 评估方法: 为了平衡成本，我们主要采用GPT4进行评估。如 QLoRA 论证，单纯GPT4打分进行模型的对比随机波动性较大。这与我们的观察一致。因此采用了 QLoRA 推荐的，现在比较普遍采用的Elo Rating tournament评测方法。
• 超参选择：出于成本考虑，我们选择：300轮随机评估，随机选择模型PK的先后顺序以抵消先后顺序的影响，随机种子为：42。Elo rating的实现代码和其他超参参照 Vicuna的Elo代码 : K=32, init rating=1000。

elo_tournanment_all_models_on_translated_vicuna.ipynb

LLM模型最重要的还是logical reasoning的能力和encode knowledge的能力。因此模型的规模还是最重要的因素。通过QLoRA的方式可以让我们以足够低的成本finetune优化给定硬件条件下最大的模型。从而达到最优的效果。

Anima模型只通过10000 steps的训练，并没有深度优化训练数据的质量，就已经达到了最优的中文模型的效果。

?如何Inferrence

首先保证依赖都已经安装：

pip install -r https://github.com/lyogavin/Anima/blob/main/requirements.txt?raw=true

可以参考： inferrence.ipynb

或者使用如下代码：

# imports
from transformers import GenerationConfig, LlamaForCausalLM, LlamaTokenizer
import torch

base_model = "lyogavin/Anima33B-merged"
tokenizer = LlamaTokenizer.from_pretrained(base_model)
model = LlamaForCausalLM.from_pretrained(
           base_model,
           #load_in_8bit=True,
           torch_dtype=torch.float16,
           device_map="auto",
       )
model.eval()

# prompt
prompt = "中国的首都是哪里？"
inputs = tokenizer(prompt, return_tensors="pt")

# Generate
generate_ids = model.generate(**inputs, max_new_tokens=30)
print(tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0])

# output: '中国的首都是哪里？\n中国的首都是北京。\n北京位于中国北部，是中国历史悠'

? 模型使用例子

✍️Who We Are?

此工作来自于 艾写科技 。我们团队来自于硅谷，有多年中、美大厂的一线AI工作经验。

我们致力于通过最新的AGI，LLM技术为内容创作提供下一代的内容创作工具。

我们相信：生成式AI的年代，“写”不是变得更容易，而是更难了。因为AI拉平了玩家之间的差距。每个人都可以很容易的让ChatGPT帮你写一段文案。

单纯的为内容创作提供“写”文案的工具已经远远不够。内容创作者需要的不是“写”，而是“写爆款”，是要结合“爆款”的趋势，结合对于用户内容兴趣和口味变化的敏锐洞察，为内容创作提供能高效产出爆款的AI。

我们坚持积累大量的中文全网社交媒体数据，积累了大量实时的对于爆款趋势的变化数据。通过结合爆款数据和最近的LLM AI技术，为内容创作者提供算法分发时代真正有效的竞争优势。