zRzRzRzRzRzRzR jinmingyi commited on
Commit
7375a2b
1 Parent(s): d493e51

add chat_template (#31)

Browse files

- update template, remove apply_chat_template, use default apply_chat_template (972e7b43b613e3a8ecc296fbdec4b6a2950e31ce)
- fix metadata (7c0351dfc6bf08251d0359b3393c46df97fa33ef)
- recover as comment (8993ee72c9f9083c99f9469b9dedfd43de46b566)
- Merge main (d99af46f74504e2ccfa50e8806f887407335c176)
- update template 你是一个名为 GhatGLM 的人工智能助手 (eb00b28fa1326da9e900a43400d50de18255f0f0)


Co-authored-by: Mingyi Jin <jinmingyi@users.noreply.huggingface.co>

Files changed (2) hide show
  1. tokenization_chatglm.py +4 -17
  2. tokenizer_config.json +1 -0
tokenization_chatglm.py CHANGED
@@ -130,6 +130,8 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
130
  prefix_tokens = [self.convert_tokens_to_ids("[gMASK]"), self.convert_tokens_to_ids("<sop>")]
131
  return prefix_tokens
132
 
 
 
133
  def build_single_message(self, role, metadata, message, tokenize=True):
134
  assert role in ["system", "user", "assistant", "observation"], role
135
  if tokenize:
@@ -141,6 +143,7 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
141
  else:
142
  return str(f"<|{role}|>{metadata}\n{message}")
143
 
 
144
  def apply_chat_template(
145
  self,
146
  conversation: Union[List[Dict[str, str]], List[List[Dict[str, str]]], "Conversation"],
@@ -215,23 +218,7 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
215
  result = handle_single_conversation(conversation.messages)
216
  else:
217
  raise ValueError("Invalid conversation format")
218
-
219
- if tokenize:
220
- output = self.batch_encode_plus(
221
- [result] if isinstance(result[0], int) else result,
222
- padding=padding,
223
- truncation=truncation,
224
- max_length=max_length,
225
- return_tensors=return_tensors,
226
- is_split_into_words=True,
227
- add_special_tokens=False
228
- )
229
- if return_dict:
230
- return output
231
- else:
232
- return output["input_ids"]
233
- else:
234
- return result
235
 
236
 
237
  def build_inputs_with_special_tokens(
 
130
  prefix_tokens = [self.convert_tokens_to_ids("[gMASK]"), self.convert_tokens_to_ids("<sop>")]
131
  return prefix_tokens
132
 
133
+ """ use chat_template, no need apply_chat_template
134
+
135
  def build_single_message(self, role, metadata, message, tokenize=True):
136
  assert role in ["system", "user", "assistant", "observation"], role
137
  if tokenize:
 
143
  else:
144
  return str(f"<|{role}|>{metadata}\n{message}")
145
 
146
+
147
  def apply_chat_template(
148
  self,
149
  conversation: Union[List[Dict[str, str]], List[List[Dict[str, str]]], "Conversation"],
 
218
  result = handle_single_conversation(conversation.messages)
219
  else:
220
  raise ValueError("Invalid conversation format")
221
+ """
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
222
 
223
 
224
  def build_inputs_with_special_tokens(
tokenizer_config.json CHANGED
@@ -123,6 +123,7 @@
123
  "<|user|>", "<|assistant|>", "<|observation|>", "<|begin_of_image|>", "<|end_of_image|>",
124
  "<|begin_of_video|>", "<|end_of_video|>"],
125
  "clean_up_tokenization_spaces": false,
 
126
  "do_lower_case": false,
127
  "eos_token": "<|endoftext|>",
128
  "pad_token": "<|endoftext|>",
 
123
  "<|user|>", "<|assistant|>", "<|observation|>", "<|begin_of_image|>", "<|end_of_image|>",
124
  "<|begin_of_video|>", "<|end_of_video|>"],
125
  "clean_up_tokenization_spaces": false,
126
+ "chat_template": "[gMASK]<sop>{% for item in messages %}{% if item['tools'] is defined %}<|system|>\n你是一个名为 GhatGLM 的人工智能助手。你是基于智谱AI训练的语言模型 GLM-4 模型开发的,你的任务是针对用户的问题和要求提供适当的答复和支持。\n\n# 可用工具{% set tools = item['tools'] %}{% for tool in tools %}{% if tool['type'] == 'function' %}\n\n## {{ tool['function']['name'] }}\n\n{{ tool['function'] | tojson(indent=4) }}\n在调用上述函数时,请使用 Json 格式表示调用的参数。{% elif tool['type'] == 'python' %}\n\n## python\n\n当你向 `python` 发送包含 Python 代码的消息时,该代码将会在一个有状态的 Jupyter notebook 环境中执行。\n`python` 返回代码执行的输出,或在执行 60 秒后返回超时。\n`/mnt/data` 将会持久化存储你的文件。在此会话中,`python` 无法访问互联网。不要使用 `python` 进行任何网络请求或者在线 API 调用,这些在线内容的访问将不会成功。{% elif tool['type'] == 'simple_browser' %}\n\n## simple_browser\n\n你可以使用 `simple_browser` 工具。该工具支持以下函数:\n`search(query: str, recency_days: int)`:使用搜索引擎进行查询并显示结果,可以使用 `recency_days` 参数控制搜索内容的时效性。\n`mclick(ids: list[int])`:获取一系列指定 id 的页面内容。每次调用时,须选择3-10个页面。选择多个角度的页面,同时尽可能选择可信任的信息来源。考虑到部分页面是无法加载的,你也可以多打开一些可能有用的页面而不用担心内容过多。\n`open_url(url: str)`:打开指定的 URL。\n\n使用 `【{引用 id}†{引用文本}】` 来引用内容。\n\n操作步骤:1. 使用 `search` 来获得信息列表; 2. 使用 `mclick` 来获取指定 ID 页面的内容; 3. 根据获得的内容进行回复。在回复中应当引用信息来源。\n 如果用户提供了 URL,也可以用 `open_url` 直接打开页面。\n如果初次搜索结果没有找到合适的信息,也可以再次使用 `search` 进行搜索。{% elif tool['type'] == 'cogview' %}\n\n## cogview\n\n如果用户的请求中包含了对图像的描述,你可以使用 `cogview` 来生成图像并展示给用户。你需要向 `cogview` 发送图像描述,规则:\n- 发送给 `cogview` 的消息必须使用英语。用户的中文描述必须完全翻译为英语。\n- 应当尽可能详细地描述图像生成的需求,需求描述约 100 英文单词。\n- 保持用户原始描述的意图。不要虚构内容或者没见过的人物。\n- 如无特殊说明,所在地为中国,持有中国立场并遵循中国社会主义价值观。{% endif %}{% endfor %}{% endif %}{% if item['content'] %}<|{{ item['role'] }}|>{{ item['metadata'] }}\n{{ item['content'] }}{% endif %}{% endfor %}{% if add_generation_prompt %}<|assistant|>{% endif %}",
127
  "do_lower_case": false,
128
  "eos_token": "<|endoftext|>",
129
  "pad_token": "<|endoftext|>",