license: llama2 pipeline_tag: text-generation language:

• en library_name: transformers

从1.2版本升级至1.2b版本的变化：数据量增加，进行了14天的单轮次训练。

所有Synthia模型均未经内容审查。请谨慎使用并秉持善意。您需对使用Synthia的方式负责。

若要激发广义的"思维树+思维链"推理，可采用以下系统提示：

运用思维树展开主题论述，必要时回溯以构建清晰连贯的思维链推理。回答时请始终保持果断。

Synthia-70B-v1.2b

SynthIA（合成智能代理）是基于Orca风格数据集训练的LLama-2-70B模型。该模型经过微调，擅长遵循指令及进行长对话。

许可声明：

本模型受原始Llama-2模型许可及使用限制约束，不提供任何形式的担保或保证。

评估

我们使用EleutherAI的语言模型评估工具对Synthia-70B-v1.2b进行了多任务评估。

以下是HuggingFaceH4开放大模型排行榜采用的指标结果：

使用示例

提示格式：

系统：运用思维树展开主题论述，必要时回溯以构建清晰连贯的思维链推理。回答时请始终保持果断。
用户：火箭如何从地球表面发射进入近地轨道？
助手：

代码使用示例：

import torch, json
from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = "migtissera/Synthia-70B-v1.2b"
output_file_path = "./Synthia-70B-conversations.jsonl"

model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16,
    device_map="auto",
    load_in_8bit=False,
    trust_remote_code=True,
)

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)


def generate_text(instruction):
    tokens = tokenizer.encode(instruction)
    tokens = torch.LongTensor(tokens).unsqueeze(0)
    tokens = tokens.to("cuda")

    instance = {
        "input_ids": tokens,
        "top_p": 1.0,
        "temperature": 0.75,
        "generate_len": 1024,
        "top_k": 50,
    }

    length = len(tokens[0])
    with torch.no_grad():
        rest = model.generate(
            input_ids=tokens,
            max_length=length + instance["generate_len"],
            use_cache=True,
            do_sample=True,
            top_p=instance["top_p"],
            temperature=instance["temperature"],
            top_k=instance["top_k"],
            num_return_sequences=1,
        )
    output = rest[0][length:]
    string = tokenizer.decode(output, skip_special_tokens=True)
    answer = string.split("用户：")[0].strip()
    return f"{answer}"


conversation = f"系统：运用思维树展开主题论述，必要时回溯以构建清晰连贯的思维链推理。回答时请始终保持果断。"


while True:
    user_input = input("您：")
    llm_prompt = f"{conversation} \n用户：{user_input} \n助手："
    answer = generate_text(llm_prompt)
    print(answer)
    conversation = f"{llm_prompt}{answer}"
    json_data = {"prompt": user_input, "answer": answer}

    ## 保存对话记录
    with open(output_file_path, "a") as output_file:
        output_file.write(json.dumps(json_data) + "\n")

局限性及偏差：

虽然本模型力求准确，但偶尔可能产生不准确或误导性结果。

尽管在预训练数据上进行了细致优化，仍有可能生成不当、偏见或冒犯性内容。

使用时请保持谨慎，必要时请交叉验证信息。此为未经审查的模型。

引用：

请使用以下BibTeX格式引用：

@misc{Synthia-70B-v1.2b,
  作者 = {Migel Tissera},
  标题 = {Synthia-70B-v1.2b：合成智能代理},
  年份 = {2023},
  出版方 = {GitHub, HuggingFace},
  期刊 = {GitHub仓库, HuggingFace仓库},
  获取方式 = {\url{https://huggingface.co/migtissera/Synthia-13B},
}

@misc{mukherjee2023orca,
      title={Orca：从GPT-4复杂解释轨迹中进行渐进式学习}, 
      author={Subhabrata Mukherjee等},
      year={2023},
      eprint={2306.02707},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@software{touvron2023llama,
  title={LLaMA2：开放高效的基础语言模型},
  author={Hugo Touvron等},
  journal={arXiv预印本},
  year={2023}
}

示例输出

（此处保留原始英文输出内容，因涉及专业术语及技术细节，建议用户直接参考英文原文）

开放大模型排行榜评估结果

详细结果参见此处