🚀 PathummaLLM-text-1.0.0-7B：泰语、中文和英语大语言模型指令

PathummaLLM-text-1.0.0-7B 是一个拥有 70 亿参数的大语言模型，支持泰语 🇹🇭、中文 🇨🇳 和英语 🇬🇧。它基于 OpenThaiLLM-Prebuilt 进行指令微调。该模型与 Openthaigpt1.5-7b-instruct 相比展现出了有竞争力的性能，并且针对应用场景、检索增强生成（RAG）、约束生成和推理任务进行了优化。

🚀 快速开始

本部分将为你介绍如何快速使用 PathummaLLM-text-1.0.0-7B 模型。

环境要求

Qwen2.5 的代码已集成在最新的 Hugging face transformers 库中，建议你使用最新版本的 transformers。

若使用 transformers<4.37.0，你将遇到以下错误：

KeyError: 'qwen2'

代码示例

以下是使用 apply_chat_template 加载分词器和模型并生成内容的代码片段：

from transformers import AutoModelForCausalLM, AutoTokenizer
device = "cuda" # 加载模型的设备

model = AutoModelForCausalLM.from_pretrained(
    "nectec/Pathumma-llm-text-1.0.0",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("nectec/Pathumma-llm-text-1.0.0")

prompt = "บริษัท A มีต้นทุนคงที่ 100,000 บาท และต้นทุนผันแปรต่อหน่วย 50 บาท ขายสินค้าได้ในราคา 150 บาทต่อหน่วย ต้องขายสินค้าอย่างน้อยกี่หน่วยเพื่อให้ถึงจุดคุ้มทุน?"
messages = [
    {"role": "system", "content": "You are Pathumma LLM, created by NECTEC. Your are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=4096,
    repetition_penalty=1.1,
    temperature = 0.4
)
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

GGUF 实现示例

%pip install --quiet https://github.com/abetlen/llama-cpp-python/releases/download/v0.2.90-cu124/llama_cpp_python-0.2.90-cp310-cp310-linux_x86_64.whl
import transformers
import torch
from llama_cpp import Llama
import os
import requests

local_dir = "your local dir"
directory_path = r'{local_dir}/Pathumma-llm-text-1.0.0'
if not os.path.exists(directory_path):
    os.mkdir(directory_path)

if not os.path.exists(f'{local_dir}/Pathumma-llm-text-1.0.0/Pathumma-llm-it-7b-Q4_K_M.gguf'):
    !wget -O f'{local_dir}/Pathumma-llm-text-1.0.0/Pathumma-llm-it-7b-Q4_K_M.gguf' "https://huggingface.co/nectec/Pathumma-llm-text-1.0.0/resolve/main/Pathumma-llm-it-7b-Q4_K_M.gguf?download=true"

# Initialize the Llama model
llm = Llama(model_path=f'{local_dir}/Pathumma-llm-text-1.0.0/Pathumma-llm-it-7b-Q4_K_M.gguf', n_gpu_layers=-1, n_ctx=8192,verbose=False)
tokenizer = transformers.AutoTokenizer.from_pretrained("nectec/Pathumma-llm-text-1.0.0")

memory = [{'content': 'You are Pathumma LLM, created by NECTEC (National Electronics and Computer Technology Center). Your are a helpful assistant.', 'role': 'system'},]

def generate(instuction,memory=memory):
    memory.append({'content': instuction, 'role': 'user'})
    p = tokenizer.apply_chat_template(
        memory,
        tokenize=False,
        add_generation_prompt=True
    )
    response = llm(
        p,
        max_tokens=2048,
        temperature=0.2,
        top_p=0.95,
        repeat_penalty=1.1,
        top_k=40,
        min_p=0.05,
        stop=["<|im_end|>"]
    )
    output = response['choices'][0]['text']
    memory.append({'content': output, 'role': 'assistant'})
    return output

print(generate("คุณคือใคร"))

✨ 主要特性

• 多语言支持：支持泰语、中文和英语，适用于多种语言场景。
• 强大性能：与 Openthaigpt1.5-7b-instruct 相比，展现出有竞争力的性能。
• 应用优化：针对检索增强生成（RAG）、约束生成和推理任务进行了优化。

📚 详细文档

模型详情

有关发布说明，请查看我们的 博客。 关于文本大语言模型部分的详细信息，请查看 此博客。

数据集比例

评估性能

🔧 技术细节

基础模型

• 基础模型：nectec/OpenThaiLLM-Prebuilt-7B
• 基础模型关系：微调

指标

• 准确率

任务类型

• 文本生成

标签

• 化学
• 生物学
• 金融
• 法律
• 代码
• 医学
• 文本生成推理

📄 许可证

本项目采用 Apache-2.0 许可证。

👥 贡献者

LLM 团队

• Pakawat Phasook (pakawat.phas@kmutt.ac.th)
• Jessada Pranee (jessada.pran@kmutt.ac.th)
• Arnon Saeoung (anon.saeoueng@gmail.com)
• Kun Kerdthaisong (kun.ker@dome.tu.ac.th)
• Kittisak Sukhantharat (kittisak.suk@stu.nida.ac.th)
• Piyawat Chuangkrud (piyawat@it.kmitl.ac.th)
• Chaianun Damrongrat (chaianun.damrongrat@nectec.or.th)
• Sarawoot Kongyoung (sarawoot.kongyoung@nectec.or.th)

音频团队

• Pattara Tipaksorn (pattara.tip@ncr.nstda.or.th)
• Wayupuk Sommuang (wayupuk.som@dome.tu.ac.th)
• Oatsada Chatthong (atsada.cha@dome.tu.ac.th)
• Kwanchiva Thangthai (kwanchiva.thangthai@nectec.or.th)

视觉团队

• Thirawarit Pitiphiphat (60010474@kmitl.ac.th)
• Peerapas Ngokpon (jamesselmon78169@gmail.com)
• Theerasit Issaranon (theerasit.issaranon@nectec.or.th)

📖 引用

如果你觉得我们的工作有帮助，请引用以下内容：

@misc{qwen2.5,
    title = {Qwen2.5: A Party of Foundation Models},
    url = {https://qwenlm.github.io/blog/qwen2.5/},
    author = {Qwen Team},
    month = {September},
    year = {2024}
}

@article{qwen2,
      title={Qwen2 Technical Report}, 
      author={An Yang and Baosong Yang and Binyuan Hui and Bo Zheng and Bowen Yu and Chang Zhou and Chengpeng Li and Chengyuan Li and Dayiheng Liu and Fei Huang and Guanting Dong and Haoran Wei and Huan Lin and Jialong Tang and Jialin Wang and Jian Yang and Jianhong Tu and Jianwei Zhang and Jianxin Ma and Jin Xu and Jingren Zhou and Jinze Bai and Jinzheng He and Junyang Lin and Kai Dang and Keming Lu and Keqin Chen and Kexin Yang and Mei Li and Mingfeng Xue and Na Ni and Pei Zhang and Peng Wang and Ru Peng and Rui Men and Ruize Gao and Runji Lin and Shijie Wang and Shuai Bai and Sinan Tan and Tianhang Zhu and Tianhao Li and Tianyu Liu and Wenbin Ge and Xiaodong Deng and Xiaohuan Zhou and Xingzhang Ren and Xinyu Zhang and Xipin Wei and Xuancheng Ren and Yang Fan and Yang Yao and Yichang Zhang and Yu Wan and Yunfei Chu and Yuqiong Liu and Zeyu Cui and Zhenru Zhang and Zhihao Fan},
      journal={arXiv preprint arXiv:2407.10671},
      year={2024}
}

💬 支持社区

你可以加入我们的 Discord 社区 与我们交流。