🚀 热尔瓦西奥 7B PTPT

热尔瓦西奥 7B PTPT 是一款面向葡萄牙语的完全开源的解码器模型。它基于 Transformer 架构，在 LLaMA-2 7B 模型基础上开发，有针对葡萄牙欧洲变体和巴西变体的不同版本，且所有版本都在开放许可下免费分发，可在消费级硬件上运行。

🚀 快速开始

你可以使用以下代码直接调用该模型进行因果语言建模：

>>> from transformers import pipeline
>>> generator = pipeline(model='PORTULAN/gervasio-7b-portuguese-ptpt-decoder')
>>> generator("A comida portuguesa é", max_new_tokens=10)

✨ 主要特性

• 完全开源：热尔瓦西奥 PT* 是面向葡萄牙语的完全开源解码器。
• 多版本适配：有针对葡萄牙欧洲变体和巴西变体的不同版本。
• 免费分发：所有版本都在开放许可下免费分发，可用于研究和商业目的。
• 硬件友好：由于模型规模，可在消费级硬件上运行。

📦 安装指南

文档未提供安装步骤，故跳过该章节。

💻 使用示例

基础用法

# 直接使用管道进行因果语言建模
from transformers import pipeline
generator = pipeline(model='PORTULAN/gervasio-7b-portuguese-ptpt-decoder')
generator("A comida portuguesa é", max_new_tokens=10)

📚 详细文档

模型描述

此模型卡针对热尔瓦西奥 7B PTPT，拥有 70 亿参数，隐藏层大小为 4096 个单元，中间层大小为 11008 个单元，32 个注意力头，32 个隐藏层，分词器使用 SentencePiece 实现的字节对编码（BPE）算法，词汇量为 32000。该模型根据 MIT 许可证 分发。

训练数据

热尔瓦西奥 7B PTPT 在标准监督微调下进行训练，为了与英语主流基准保持一定对齐，采用了 GLUE 和 SuperGLUE 集合中的任务和相应数据集。从 GLUE 中选取了 MRPC（释义检测）、RTE（文本蕴含识别）、STS - B（语义文本相似度）、WNLI（共指和自然语言推理）四个任务；从 SuperGLUE 中选取了 BoolQ（是/否问答）、CB（三标签推理）、COPA（推理）、MultiRC（问答）四个任务。这些数据集被机器翻译成欧洲葡萄牙语，并来自 extraGLUE 数据集。此外，还为每个任务手动制作了指令模板，收集到 extraGLUE - instruct 数据集中。同时，采用了数据增强技术来扩大和丰富数据集。

训练细节

在微调过程中，应用了带有因果语言建模训练目标的监督微调，并采用了归零技术。具体而言，在微调期间整个提示都会被关注，但只有响应令牌会进行反向传播。在超参数方面，模型以 2 * 10^-5 的学习率、0.1 的权重衰减进行训练，采用两周期无热身训练制度。为确保每一步反向传播的令牌数量相同，使用了 512 个令牌的输入序列，批量大小为 16，累积步数为 16。由于硬件限制，输入序列长度为 512（基础模型为 4096），因此每个示例单独占用完整的输入序列长度。

性能

在测试中，保留了来自 GLUE 的翻译数据集 MRPC（相似度）和 RTE（推理），以及来自 SuperGLUE 的 COPA（推理/问答），这些数据集在训练期间未被使用。具体性能指标如下：

🔧 技术细节

热尔瓦西奥 7B PTPT 是 LLaMA 家族的解码器，基于 Transformer 神经架构，在 LLaMA - 2 7B 模型基础上开发。通过额外训练进一步改进，使用了专门为葡萄牙语准备的新指令数据集。

📄 许可证

热尔瓦西奥 7B PTPT 根据 MIT 许可证 分发。

引用信息

请在使用或引用此模型时使用以下规范引用：

@misc{gervasio,
      title={Advancing Generative AI for Portuguese with
             Open Decoder Gervásio PT-*}, 
      author={Rodrigo Santos, João Silva, Luís Gomes,
              João Rodrigues, António Branco},
      year={2024},
      eprint={2402.18766},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

致谢

本研究部分得到以下机构支持：

• PORTULAN CLARIN — 语言科学与技术研究基础设施，由 Lisboa 2020、Alentejo 2020 和 FCT — Fundação para a Ciência e Tecnologia 资助，资助编号 PINFRA/22117/2016。
• 研究项目 GPT - PT - 基于 Transformer 的葡萄牙语解码器，由 FCT — Fundação para a Ciência e Tecnologia 资助，资助编号 CPCA - IAC/AV/478395/2022。
• 创新项目 ACCELERAT.AI - 多语言智能客服中心，由 IAPMEI, I.P. - Agência para a Competitividade e Inovação 资助，资助编号 C625734525 - 00462629，属于 Plano de Recuperação e Resiliência 项目，招标编号 RE - C05 - i01.01 – Agendas/Alianças Mobilizadoras para a Reindustrialização。