🚀 Gemma模型

Gemma是谷歌推出的轻量级、最先进的开源模型家族。它基于与Gemini模型相同的研究和技术构建，适用于多种文本生成任务，如问答、摘要和推理等。其相对较小的规模使其能够在资源有限的环境中部署，让更多人能够使用到先进的AI模型。

🚀 快速开始

本模型卡片对应Gemma模型的7B基础版本。你也可以访问2B基础模型、7B指令模型和2B指令模型的模型卡片。

模型页面：Gemma

资源和技术文档：

• Gemma技术报告
• 负责任的生成式AI工具包
• Kaggle上的Gemma
• Vertex模型库中的Gemma

使用条款：条款

作者：Google

✨ 主要特性

模型描述

Gemma是谷歌推出的一系列轻量级、最先进的开源模型，采用了与Gemini模型相同的研究和技术。它们是仅解码器的文本到文本大语言模型，支持英文，拥有开放的权重、预训练变体和指令微调变体。Gemma模型适用于各种文本生成任务，包括问答、摘要和推理。由于其相对较小的规模，可以在资源有限的环境中部署，如笔记本电脑、台式机或自己的云基础设施，使更多人能够使用到最先进的AI模型，促进创新。

上下文长度

模型在8192个标记的上下文长度上进行训练。

输入和输出

• 输入：文本字符串，如问题、提示或待摘要的文档。
• 输出：针对输入生成的英文文本，如问题的答案或文档的摘要。

📦 安装指南

在运行模型之前，需要先安装transformers库：

pip install -U transformers

💻 使用示例

基础用法

以下是在CPU上运行模型的示例代码：

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

高级用法

在单个/多个GPU上运行模型

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", device_map="auto")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

使用不同精度在GPU上运行模型

• 使用torch.float16

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", device_map="auto", revision="float16")

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

• 使用torch.bfloat16

# pip install accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", device_map="auto", torch_dtype=torch.bfloat16)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

通过bitsandbytes进行量化版本

• 使用8位精度（int8）

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", quantization_config=quantization_config)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

• 使用4位精度

# pip install bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

quantization_config = BitsAndBytesConfig(load_in_4bit=True)

tokenizer = AutoTokenizer.from_pretrained("google/gemma-7b")
model = AutoModelForCausalLM.from_pretrained("google/gemma-7b", quantization_config=quantization_config)

input_text = "Write me a poem about Machine Learning."
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids)
print(tokenizer.decode(outputs[0]))

其他优化

• Flash Attention 2 首先确保在你的环境中安装flash-attn：

pip install flash-attn

model = AutoModelForCausalLM.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
+   attn_implementation="flash_attention_2"
).to(0)

📚 详细文档

模型数据

训练数据集

这些模型在包含各种来源的文本数据集上进行训练，总计6万亿个标记。主要组成部分如下：

• 网页文档：多样化的网页文本集合，确保模型接触到广泛的语言风格、主题和词汇，主要是英文内容。
• 代码：让模型接触代码有助于学习编程语言的语法和模式，提高生成代码或理解与代码相关问题的能力。
• 数学：在数学文本上进行训练有助于模型学习逻辑推理、符号表示和处理数学查询。

这些多样化数据源的组合对于训练一个强大的语言模型至关重要，使其能够处理各种不同的任务和文本格式。

数据预处理

以下是应用于训练数据的主要数据清理和过滤方法：

• CSAM过滤：在数据准备过程的多个阶段应用严格的CSAM（儿童性虐待材料）过滤，确保排除有害和非法内容。
• 敏感数据过滤：为了使Gemma预训练模型安全可靠，使用自动化技术从训练集中过滤掉某些个人信息和其他敏感数据。
• 其他方法：根据内容质量和安全性进行过滤，符合我们的政策。

实现信息

硬件

Gemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

训练大语言模型需要强大的计算能力。TPU专门为机器学习中常见的矩阵运算设计，在这个领域具有以下优势：

• 性能：TPU专门处理训练大语言模型所需的大量计算，与CPU相比，可以显著加速训练过程。
• 内存：TPU通常配备大量的高带宽内存，允许在训练过程中处理大型模型和批量大小，有助于提高模型质量。
• 可扩展性：TPU Pod（大型TPU集群）为处理大型基础模型的不断增长的复杂性提供了可扩展的解决方案。可以在多个TPU设备上分布训练，实现更快、更高效的处理。
• 成本效益：在许多情况下，与基于CPU的基础设施相比，TPU可以为训练大型模型提供更具成本效益的解决方案，特别是考虑到更快的训练速度节省的时间和资源。
• 这些优势符合谷歌对可持续运营的承诺。

软件

训练使用JAX和ML Pathways进行。

JAX允许研究人员利用最新一代的硬件，包括TPU，实现更快、更高效的大型模型训练。

ML Pathways是谷歌构建能够跨多个任务进行泛化的人工智能系统的最新成果。特别适用于基础模型，包括像这样的大语言模型。

JAX和ML Pathways的结合使用在关于Gemini模型家族的论文中有描述：“Jax和Pathways的‘单控制器’编程模型允许单个Python进程编排整个训练过程，大大简化了开发工作流程。”

评估

基准测试结果

这些模型在大量不同的数据集和指标上进行评估，以涵盖文本生成的各个方面：

基准测试	指标	2B参数	7B参数
MMLU	5-shot, top-1	42.3	64.3
HellaSwag	0-shot	71.4	81.2
PIQA	0-shot	77.3	81.2
SocialIQA	0-shot	49.7	51.8
BooIQ	0-shot	69.4	83.2
WinoGrande	partial score	65.4	72.3
CommonsenseQA	7-shot	65.3	71.3
OpenBookQA		47.8	52.8
ARC-e		73.2	81.5
ARC-c		42.1	53.2
TriviaQA	5-shot	53.2	63.4
Natural Questions	5-shot	12.5	23
HumanEval	pass@1	22.0	32.3
MBPP	3-shot	29.2	44.4
GSM8K	maj@1	17.7	46.4
MATH	4-shot	11.8	24.3
AGIEval		24.2	41.7
BIG-Bench		35.2	55.1
------------------------------	-------------	-----------	---------
平均		45.0	56.9

伦理和安全

评估方法

我们的评估方法包括结构化评估和对相关内容政策的内部红队测试。红队测试由多个不同的团队进行，每个团队有不同的目标和人工评估指标。这些模型在与伦理和安全相关的多个类别上进行评估，包括：

• 文本到文本内容安全：对涵盖安全政策的提示进行人工评估，包括儿童性虐待和剥削、骚扰、暴力和血腥以及仇恨言论。
• 文本到文本代表性危害：与相关学术数据集进行基准测试，如WinoBias和BBQ Dataset。
• 记忆：对训练数据的记忆进行自动化评估，包括个人身份信息暴露的风险。
• 大规模危害：测试“危险能力”，如化学、生物、放射性和核（CBRN）风险。

评估结果

伦理和安全评估的结果在可接受的阈值范围内，符合内部政策，如儿童安全、内容安全、代表性危害、记忆、大规模危害等类别。除了强大的内部评估外，还展示了一些知名安全基准测试的结果，如BBQ、BOLD、Winogender、Winobias、RealToxicity和TruthfulQA。

基准测试	指标	2B参数	7B参数
RealToxicity	average	6.86	7.90
BOLD		45.57	49.08
CrowS-Pairs	top-1	45.82	51.33
BBQ Ambig	1-shot, top-1	62.58	92.54
BBQ Disambig	top-1	54.62	71.99
Winogender	top-1	51.25	54.17
TruthfulQA		44.84	31.81
Winobias 1_2		56.12	59.09
Winobias 2_2		91.10	92.23
Toxigen		29.77	39.59
------------------------------	-------------	-----------	---------

使用和限制

预期用途

开源大语言模型（LLM）在各个行业和领域有广泛的应用。以下潜在用途列表并非详尽无遗，目的是提供有关模型创建者在模型训练和开发过程中考虑的可能用例的上下文信息。

• 内容创作和通信
  • 文本生成：这些模型可用于生成创意文本格式，如诗歌、脚本、代码、营销文案和电子邮件草稿。
  • 聊天机器人和对话式AI：为客户服务、虚拟助手或交互式应用程序提供对话界面。
  • 文本摘要：生成文本语料库、研究论文或报告的简洁摘要。
• 研究和教育
  • 自然语言处理（NLP）研究：这些模型可作为研究人员试验NLP技术、开发算法和推动该领域发展的基础。
  • 语言学习工具：支持交互式语言学习体验，帮助进行语法纠正或提供写作练习。
  • 知识探索：通过生成摘要或回答特定主题的问题，帮助研究人员探索大量文本。

限制

• 训练数据
  • 训练数据的质量和多样性显著影响模型的能力。训练数据中的偏差或差距可能导致模型响应的局限性。
  • 训练数据集的范围决定了模型能够有效处理的主题领域。
• 上下文和任务复杂性
  • 大语言模型更擅长可以用清晰提示和指令构建的任务。开放式或高度复杂的任务可能具有挑战性。
  • 模型的性能可能受到提供的上下文量的影响（在一定程度上，更长的上下文通常会导致更好的输出）。
• 语言歧义与细微差别
  • 自然语言本质上是复杂的。大语言模型可能难以理解微妙的细微差别、讽刺或比喻语言。
• 事实准确性
  • 大语言模型根据从训练数据中学到的信息生成响应，但它们不是知识库。可能会生成不正确或过时的事实陈述。
• 常识
  • 大语言模型依赖于语言中的统计模式，在某些情况下可能缺乏应用常识推理的能力。

伦理考虑和风险

大语言模型（LLM）的开发引发了一些伦理问题。在创建开源模型时，我们仔细考虑了以下方面：

• 偏差和公平性
  • 在大规模真实世界文本数据上训练的大语言模型可能反映训练材料中嵌入的社会文化偏差。这些模型经过了仔细审查，本卡片中描述了输入数据预处理和后续评估的情况。
• 错误信息和滥用
  • 大语言模型可能被滥用来生成虚假、误导或有害的文本。
  • 提供了负责任使用模型的指南，请参阅负责任的生成式AI工具包。
• 透明度和问责制
  • 本模型卡片总结了模型的架构、能力、限制和评估过程的详细信息。
  • 负责任开发的开源模型为AI生态系统中的开发者和研究人员提供了共享创新的机会，使大语言模型技术更易于访问。

已识别的风险和缓解措施：

• 偏差的延续：鼓励在模型训练、微调等使用场景中进行持续监测（使用评估指标、人工审查）并探索去偏差技术。
• 有害内容的生成：内容安全机制和指南至关重要。鼓励开发者根据其特定产品政策和应用用例谨慎行事，并实施适当的内容安全保障措施。
• 恶意用途：技术限制以及对开发者和最终用户的教育有助于减轻大语言模型的恶意应用。提供教育资源和用户报告滥用情况的机制。Gemma禁止使用政策中概述了Gemma模型的禁止使用情况。
• 隐私侵犯：模型在过滤掉个人身份信息（PII）的数据上进行训练。鼓励开发者遵守隐私法规，采用保护隐私的技术。

优势

在发布时，与类似规模的模型相比，这个模型家族提供了高性能的开源大语言模型实现，从一开始就为负责任的AI开发而设计。

使用本文档中描述的基准评估指标，这些模型在性能上优于其他类似规模的开源模型替代方案。

📄 许可证

本模型采用gemma许可证。若要在Hugging Face上使用Gemma，你需要审查并同意Google的使用许可。请确保你已登录Hugging Face，然后点击下方按钮。请求将立即处理。 确认许可