🚀 rinna/youri-7b

rinna/youri-7b模型基于llama2-7b在日英混合数据集上进行持续预训练，在日语任务上性能显著提升。模型名称源于日本神话生物，由多位贡献者开发，于2023年10月31日发布。

🚀 快速开始

该模型可通过Hugging Face的transformers库轻松加载使用。以下是一个简单的使用示例：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/youri-7b")
model = AutoModelForCausalLM.from_pretrained("rinna/youri-7b")

if torch.cuda.is_available():
    model = model.to("cuda")

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)
"""
西田幾多郎は、プラトンの復権を主張し、対する従来の西洋哲学は、近代の合理主義哲学に委ね、「従来の哲学は破 壊されてしまった」と述べている。 西田幾多郎は、西洋近代哲学の「徹底的な検討」を拒んだ。それは、「現代的理解の脆弱性を補う筈の、従来のヨーロッパに伝わる哲学的な方法では到底それができなかったからである」とい
"""

✨ 主要特性

• 持续预训练：在约40B的日英混合语料上对llama2-7b进行持续预训练，显著提升了模型在日语任务上的性能。
• 模型架构：基于32层、隐藏层大小为4096的Transformer架构。具体架构细节可参考llama2 paper。
• 命名由来：模型名称youri源自日本神话生物妖狸/ようり/Youri。
• 开发信息：使用基于EleutherAI/gpt-neox的代码进行训练，由Tianyu Zhao、Akio Kaga和Kei Sawada等贡献者开发，于2023年10月31日发布。

📦 安装指南

要使用该模型，你需要安装transformers库：

pip install transformers torch

💻 使用示例

基础用法

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("rinna/youri-7b")
model = AutoModelForCausalLM.from_pretrained("rinna/youri-7b")

if torch.cuda.is_available():
    model = model.to("cuda")

text = "西田幾多郎は、"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt")

with torch.no_grad():
    output_ids = model.generate(
        token_ids.to(model.device),
        max_new_tokens=200,
        min_new_tokens=200,
        do_sample=True,
        temperature=1.0,
        top_p=0.95,
        pad_token_id=tokenizer.pad_token_id,
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id
    )

output = tokenizer.decode(output_ids.tolist()[0])
print(output)

📚 详细文档

分词器

该模型使用原始的llama-2分词器。

基准测试

可参考rinna's LM benchmark page (Sheet 20231031)获取详细的基准测试结果。

引用方式

@misc{rinna-youri-7b,
    title = {rinna/youri-7b},
    author = {Zhao, Tianyu and Kaga, Akio and Sawada, Kei},
    url = {https://huggingface.co/rinna/youri-7b}
}

@inproceedings{sawada2024release,
    title = {Release of Pre-Trained Models for the {J}apanese Language},
    author = {Sawada, Kei and Zhao, Tianyu and Shing, Makoto and Mitsui, Kentaro and Kaga, Akio and Hono, Yukiya and Wakatsuki, Toshiaki and Mitsuda, Koh},
    booktitle = {Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024)},
    month = {5},
    year = {2024},
    pages = {13898--13905},
    url = {https://aclanthology.org/2024.lrec-main.1213},
    note = {\url{https://arxiv.org/abs/2404.01657}}
}

参考资料

@software{gpt-neox-library,
    title = {{GPT}-{N}eo{X}: Large Scale Autoregressive Language Modeling in {P}y{T}orch},
    author = {Andonian, Alex and Anthony, Quentin and Biderman, Stella and Black, Sid and Gali, Preetham and Gao, Leo and Hallahan, Eric and Levy-Kramer, Josh and Leahy, Connor and Nestler, Lucas and Parker, Kip and Pieler, Michael and Purohit, Shivanshu and Songz, Tri and Phil, Wang and Weinbach, Samuel},
    doi = {10.5281/zenodo.5879544},
    month = {8},
    year = {2021},
    version = {0.0.1},
    url = {https://www.github.com/eleutherai/gpt-neox}
}

评估结果

详细的评估结果可参考Open LLM Leaderboard Evaluation Results，具体结果如下：

🔧 技术细节

• 训练数据：模型在约40B的日英混合语料上进行持续预训练，语料包括Japanese CC-100、Japanese C4、Japanese OSCAR、The Pile、Wikipedia和rinna curated Japanese dataset。
• 模型初始化：使用llama2-7b模型进行初始化。

📄 许可证

该模型遵循The llama2 license。