language:

• ms

MaLLaM 🌙 1.1B（马来西亚大语言模型），基于马来语文本的1.1B参数预训练模型（4096上下文长度）

使用Mistral架构，在900亿马来语文本token上从头预训练1.1B参数。

README文档见：https://github.com/mesolitica/malaya/tree/5.1/pretrained-model/mistral

• 训练数据：900亿token，数据集来源：https://github.com/malaysia-ai/dedup-text-dataset/tree/main/pretrain-llm
• 训练硬件：通过Ray集群在5个节点（每个节点4×A100 80GB）上完成，技术方案：https://github.com/malaysia-ai/jupyter-gpu/tree/main/ray

训练监控（WandB）：https://wandb.ai/mesolitica/pretrain-mistral-1.1b?workspace=user-husein-mesolitica

训练报告（WandB）：https://wandb.ai/mesolitica/pretrain-mistral-3b/reports/Pretrain-Larger-Malaysian-Mistral--Vmlldzo2MDkyOTgz

技术报告：https://github.com/mesolitica/malaya/wiki/MaLLaM-%F0%9F%8C%99-Malaysia-Large-Language-Model

使用指南

from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
import torch

TORCH_DTYPE = 'bfloat16'
nf4_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type='nf4',
    bnb_4bit_use_double_quant=True,
    bnb_4bit_compute_dtype=getattr(torch, TORCH_DTYPE)
)

tokenizer = AutoTokenizer.from_pretrained('mesolitica/mallam-1.1B-4096')
model = AutoModelForCausalLM.from_pretrained(
    'mesolitica/mallam-1.1B-4096',
    use_flash_attention_2 = True,
    quantization_config = nf4_config
)
prompt = '<s>nama saya'
inputs = tokenizer([prompt], return_tensors='pt', add_special_tokens=False).to('cuda')

generate_kwargs = dict(
    inputs,
    max_new_tokens=512,
    top_p=0.95,
    top_k=50,
    temperature=0.9,
    do_sample=True,
    num_beams=1,
    repetition_penalty=1.05,
)
r = model.generate(**generate_kwargs)