|
--- |
|
license: other |
|
--- |
|
|
|
 |
|
|
|
# 悟道·天鹰（Aquila） |
|
|
|
悟道·天鹰（Aquila） 语言大模型是首个具备中英双语知识、支持商用许可协议、国内数据合规需求的开源语言大模型。 |
|
- 🌟 **支持开源商用许可**。Aquila系列模型的源代码基于 [Apache 2.0 协议](https://www.apache.org/licenses/LICENSE-2.0)，模型权重基于[《智源Aquila系列模型许可协议》](https://huggingface.co/BAAI/AquilaCode-7B-NV/resolve/main/BAAI%20Aquila%20Model%20License%20Agreement.pdf)，使用者在满足许可限制的情况下，可用于商业目的。 |
|
- ✍️ **具备中英文知识**。Aquila系列模型在中英文高质量语料基础上从 0 开始训练，中文语料约占 40%，保证模型在预训练阶段就开始积累原生的中文世界知识，而非翻译而来的知识。 |
|
- 👮♀️**符合国内数据合规需求**。Aquila系列模型的中文语料来自智源多年积累的中文数据集，包括来自1万多个站源的中文互联网数据（其中99%以上为国内站源），以及获得国内权威机构支持的高质量中文文献数据、中文书籍数据等。我们仍在持续积累高质量、多样化的数据集，并源源不断加入Aquila基础模型后续训练中。 |
|
- 🎯**持续迭代，持续开源开放**。我们将不断完善训练数据、优化训练方法、提升模型性能，在更优秀的基础模型基座上，培育枝繁叶茂的“模型树”，持续开源开放更新的版本。 |
|
|
|
|
|
|
|
悟道 · 天鹰 Aquila 模型的更多细节将在官方技术报告中呈现。请关注官方渠道更新。包括 [FlagAI GitHub仓库](https://github.com/FlagAI-Open/FlagAI/)，[FlagAI 知乎账号](https://www.zhihu.com/people/95-22-20-18)、[FlagAI 官方技术交流群](https://github.com/FlagAI-Open/FlagAI/blob/master/wechat-qrcode.jpg)、智源研究院微信公众号、智源社区微信公众号。 |
|
|
|
|
|
| 模型 | 模型类型 | 简介 | 状态 | 训练所用显卡 | |
|
| :---------------- | :------- | :-- | :-- | :-- | |
|
| Aquila-7B | 基础模型，70亿参数 | **Aquila 基础模型**在技术上继承了 GPT-3、LLaMA 等的架构设计优点，替换了一批更高效的底层算子实现、重新设计实现了中英双语的 tokenizer，升级了 BMTrain 并行训练方法，实现了比 Magtron+DeepSpeed ZeRO-2 将近８倍的训练效率。 | 已发布 | Nvidia-A100 | |
|
| Aquila-33B |基础模型，330亿参数 | 同上 | **敬请期待** | Nvidia-A100 | |
|
| AquilaChat-7B |SFT model，基于 Aquila-7B 进行微调和强化学习 | **AquilaChat 对话模型**支持流畅的文本对话及多种语言类生成任务，通过定义可扩展的特殊指令规范，实现 AquilaChat对其它模型和工具的调用，且易于扩展。 <br><br>例如，调用智源开源的 **[AltDiffusion](https://github.com/FlagAI-Open/FlagAI/tree/master/examples/AltDiffusion-m18) 多语言文图生成模型**，实现了流畅的文图生成能力。配合智源 **InstructFace 多步可控文生图模型**，轻松实现对人脸图像的多步可控编辑。 | 已发布 | Nvidia-A100 | |
|
| AquilaChat-33B |SFT model，基于 Aquila-33B 进行微调和强化学习 | 同上 | **敬请期待** | Nvidia-A100 | |
|
| AquilaCode-7B-NV | 基础模型，“文本-代码”生成模型，基于 Aquila-7B继续预训练，在英伟达芯片完成训练 | AquilaCode-7B 以小数据集、小参数量，实现高性能，是目前支持中英双语的、性能最好的开源代码模型，经过了高质量过滤、使用有合规开源许可的训练代码数据进行训练。<br><br> AquilaCode-7B 分别在英伟达和国产芯片上完成了代码模型的训练。 | github已发布 | Nvidia-A100 | |
|
| AquilaCode-7B-TS |基础模型，“文本-代码”生成模型，基于 Aquila-7B继续预训练，在天数智芯芯片上完成训练 | 同上 | github已发布 | Tianshu-BI-V100 | |
|
|
|
悟道·天鹰Aquila系列模型将持续开源更优版本。详情见：**[变更日志](https://huggingface.co/BAAI/AquilaChat-7B/blob/main/change_log.log)** 。 |
|
|
|
|
|
## 快速开始使用 AquilaChat-7B 对话模型 |
|
|
|
|
|
## 使用方式/How to use |
|
|
|
### 1. 推理/Inference |
|
|
|
```python |
|
from transformers import AutoTokenizer, AutoModelForCausalLM |
|
import torch |
|
from cyg_conversation import covert_prompt_to_input_ids_with_history |
|
|
|
tokenizer = AutoTokenizer.from_pretrained("BAAI/AquilaChat-7B") |
|
model = AutoModelForCausalLM.from_pretrained("BAAI/AquilaChat-7B") |
|
model.eval() |
|
model.to("cuda:0") |
|
vocab = tokenizer.vocab |
|
print(len(vocab)) |
|
|
|
text = "请给出10个要到北京旅游的理由。" |
|
|
|
tokens = covert_prompt_to_input_ids_with_history(text, history=[], tokenizer=tokenizer, max_token=512) |
|
|
|
tokens = torch.tensor(tokens)[None,].to("cuda:0") |
|
|
|
|
|
with torch.no_grad(): |
|
out = model.generate(tokens, do_sample=True, max_length=512, eos_token_id=100007)[0] |
|
|
|
out = tokenizer.decode(out.cpu().numpy().tolist()) |
|
|
|
print(out) |
|
``` |
|
|
|
利用[NBCE](https://github.com/bojone/NBCE/tree/main)进行推理 |
|
|
|
```python |
|
import json |
|
import torch |
|
from transformers import AutoTokenizer |
|
from transformers import AutoModelForCausalLM |
|
from transformers import TopPLogitsWarper, LogitsProcessorList |
|
import pdb |
|
|
|
# 加载tokenizer |
|
tokenizer = AutoTokenizer.from_pretrained(model_path) |
|
tokenizer.padding_side = 'left' |
|
tokenizer.pad_token = tokenizer.unk_token |
|
|
|
# 加载Aquila模型 |
|
model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.float16) |
|
device = torch.device('cuda') |
|
model.to(device) |
|
# 加载示例Context |
|
from cyg_conversation import default_conversation |
|
|
|
conv = default_conversation.copy() |
|
contexts = json.load(open('code_text_2.json')) |
|
|
|
question = "请解释这段程序的功能：" |
|
batch = [] |
|
conv.append_message(conv.roles[0], question) |
|
conv.append_message(conv.roles[1], None) |
|
batch.append(conv.get_prompt()) |
|
# 拼接context和question |
|
for ci,context in enumerate(contexts): |
|
conv1 = default_conversation.copy() |
|
conv1.append_message(conv.roles[0], context+question) |
|
conv1.append_message(conv.roles[1], None) |
|
batch.append(conv1.get_prompt()) |
|
print('Context长度分布：', [len(text) for text in batch]) |
|
print('Context总长度：', sum([len(text) for text in batch])) |
|
|
|
# Top-P截断 |
|
processors = LogitsProcessorList() |
|
processors.append(TopPLogitsWarper(0.95)) |
|
|
|
# Copied from https://github.com/bojone/NBCE/blob/main/test.py#L51-L106 |
|
@torch.inference_mode() |
|
def generate(max_tokens): |
|
"""Naive Bayes-based Context Extension 演示代码 |
|
""" |
|
inputs = tokenizer(batch, padding='longest', return_tensors='pt').to(device) |
|
input_ids = inputs.input_ids |
|
attention_mask = inputs.attention_mask |
|
|
|
print('input_ids', input_ids.shape) |
|
past_key_values = None |
|
n = input_ids.shape[0] |
|
|
|
for i in range(max_tokens): |
|
# 模型输出 |
|
outputs = model(input_ids=input_ids, |
|
attention_mask=attention_mask, |
|
return_dict=True, |
|
use_cache=True, |
|
past_key_values=past_key_values |
|
) |
|
past_key_values = outputs.past_key_values |
|
|
|
# ===== 核心代码开始 ===== |
|
beta, eta = 0.25, 0.1 |
|
logits = outputs.logits[:, -1] |
|
logits = logits - logits.logsumexp(dim=-1, keepdims=True) |
|
logits = processors(input_ids, logits) |
|
entropy = -(logits.exp() * logits.clip(-100, 0)).sum(dim=-1) |
|
if i > 0: |
|
entropy[k] -= eta |
|
k = entropy[1:].argmin() + 1 |
|
logits_max = logits[k] |
|
logits_uncond = logits[0] |
|
logits_merged = (1 + beta) * logits_max - beta * logits_uncond |
|
logits = torch.where(logits_uncond > -100, logits_merged, logits_max) |
|
# ===== 核心代码结束 ===== |
|
|
|
# 构建分布，采样 |
|
# tau = 1是标准的随机采样，tau->0则是贪心搜索 |
|
# 简单起见，这里没有实现topk、topp截断 |
|
tau = 0.01 |
|
probas = torch.nn.functional.softmax(logits[None] / tau , dim=-1) |
|
next_tokens = torch.multinomial(probas, num_samples=1).squeeze(1) |
|
if next_tokens[0] == tokenizer.eos_token_id: |
|
break |
|
|
|
ret = tokenizer.batch_decode(next_tokens) |
|
print(ret[0], flush=True, end='') |
|
|
|
# prepare for next iteration |
|
input_ids = next_tokens.unsqueeze(-1).tile(n, 1) |
|
attention_mask = torch.cat([attention_mask, torch.ones(n, 1, dtype=torch.long, device=device)], dim=-1) |
|
|
|
|
|
if __name__ == '__main__': |
|
generate(1000) |
|
|
|
``` |
|
|
|
|
|
## 证书/License |
|
|
|
`AquilaChat`系列开源模型使用 [智源Aquila系列模型许可协议](https://huggingface.co/BAAI/AquilaCode-7B-NV/resolve/main/BAAI%20Aquila%20Model%20License%20Agreement.pdf) |
