🚀 Ichigo-llama3s 模型

Ichigo-llama3s 是一个原生支持音频和文本输入的模型家族，可用于研究应用，在音频理解能力上有出色表现。

🚀 快速开始

你可以通过 Google Colab Notebook 来试用该模型。

首先，需要将音频文件转换为声音标记：

device = "cuda" if torch.cuda.is_available() else "cpu"
if not os.path.exists("whisper-vq-stoks-medium-en+pl-fixed.model"):
    hf_hub_download(
        repo_id="jan-hq/WhisperVQ",
        filename="whisper-vq-stoks-medium-en+pl-fixed.model",
        local_dir=".",
    )
vq_model = RQBottleneckTransformer.load_model(
        "whisper-vq-stoks-medium-en+pl-fixed.model"
    ).to(device)
vq_model.ensure_whisper(device)
def audio_to_sound_tokens(audio_path, target_bandwidth=1.5, device=device):

    wav, sr = torchaudio.load(audio_path)
    if sr != 16000:
        wav = torchaudio.functional.resample(wav, sr, 16000)
    with torch.no_grad():
        codes = vq_model.encode_audio(wav.to(device))
        codes = codes[0].cpu().tolist()

    result = ''.join(f'<|sound_{num:04d}|>' for num in codes)
    return f'<|sound_start|>{result}<|sound_end|>'

然后，就可以像使用其他大语言模型一样对该模型进行推理：

def setup_pipeline(model_path, use_4bit=False, use_8bit=False):
    tokenizer = AutoTokenizer.from_pretrained(model_path)

    model_kwargs = {"device_map": "auto"}

    if use_4bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type="nf4",
        )
    elif use_8bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_8bit=True,
            bnb_8bit_compute_dtype=torch.bfloat16,
            bnb_8bit_use_double_quant=True,
        )
    else:
        model_kwargs["torch_dtype"] = torch.bfloat16

    model = AutoModelForCausalLM.from_pretrained(model_path, **model_kwargs)

    return pipeline("text-generation", model=model, tokenizer=tokenizer)

def generate_text(pipe, messages, max_new_tokens=64, temperature=0.0, do_sample=False):
    generation_args = {
        "max_new_tokens": max_new_tokens,
        "return_full_text": False,
        "temperature": temperature,
        "do_sample": do_sample,
    }

    output = pipe(messages, **generation_args)
    return output[0]['generated_text']

# Usage
llm_path = "homebrewltd/llama3.1-s-instruct-v0.2"
pipe = setup_pipeline(llm_path, use_8bit=True)

✨ 主要特性

• 原生支持音频和文本输入。
• 专注于微调模型，以改善用户交互，特别是在处理听不见的输入和多轮对话方面。

📚 详细文档

模型详情

• 数据集：
  • homebrewltd/instruction-speech-whispervq-v2
• 语言：英语
• 许可证：apache - 2.0
• 模型类型：音频文本转文本
• 标签：声音语言模型

我们开发并发布了 Ichigo-llama3s 模型家族。该家族原生支持理解音频和文本输入。

此模型专注于对 homebrewltd/Ichigo-llama3.1-s-instruct-v0.3-phase-2 进行微调，以改善用户交互，特别是在处理听不见的输入和多轮对话方面。

预期用途

• 预期用例：该模型家族主要用于研究应用。此版本旨在进一步提高大语言模型的声音理解能力。
• 非预期用途：严禁以任何违反适用法律法规的方式使用 llama3 - s。

训练过程

• 训练指标图像：以下是训练损失曲线的可视化快照。

• MMLU 评估： | 模型 | MMLU 得分 | | --- | --- | | llama3.5 - instruct - 8b | 69.40 | | ichigo - llama3.1 - s - v0.3: phase 3 | 63.79 | | ichigo - llama3.1 - s - v0.3: phase 2 | 63.08 | | ichigo - llama3.1 - s - base - v0.3 | 42.11 | | llama3.5 - instruct - v0.2 | 50.27 |

• AudioBench 评估： | 模型基准 | Open - hermes Instruction Audio (GPT - 4 - O judge 0:5) | Alpaca Instruction Audio (GPT - 4 - O judge 0:5) | | --- | --- | --- | | [Llama3.1 - s - v2](https://huggingface.co/homebrewltd/llama3 - s - instruct - v0.2) | 3.45 | 3.53 | | [Ichigo - llama3.1 - s v0.3 - phase2 - cp7000](https://huggingface.co/homebrewltd/Ichigo - llama3.1 - s - instruct - v0.3 - phase - 2) | 3.42 | 3.62 | | [Ichigo - llama3.1 - s v0.3 - phase2 - cplast](https://huggingface.co/jan - hq/llama3 - s - instruct - v0.3 - checkpoint - last) | 3.31 | 3.6 | | [Ichigo - llama3.1 - s v0.3 - phase3](https://huggingface.co/homebrewltd/Ichigo - llama3.1 - s - instruct - v0.3 - phase - 3) | 3.64 | 3.68 | | [Qwen2 - audio - 7B](https://huggingface.co/Qwen/Qwen2 - Audio - 7B) | 2.63 | 2.24 |

硬件

• GPU 配置：8 个 NVIDIA H100 - SXM - 80GB 组成的集群。
• GPU 使用情况：
  • 持续训练：3 小时。

训练参数

我们使用 torchtune 库来实现最新的 FSDP2 训练代码。

更多细节

论文链接：http://arxiv.org/abs/2410.15316

📄 许可证

本项目采用 apache - 2.0 许可证。

📖 引用信息

BibTeX：

@article{Llama3-S: Sound Instruction Language Model 2024,
  title={Llama3-S},
  author={Homebrew Research},
  year=2024,
  month=August,
  url={https://huggingface.co/homebrewltd/llama3.1-s-2024-08-20}

🙏 致谢

• WhisperSpeech
• [Meta - Llama - 3.1 - 8B - Instruct ](https://huggingface.co/meta - llama/Meta - Llama - 3.1 - 8B - Instruct)