GEB-1.3B
GEB-1.3B是北京集异璧科技有限公司发布的轻量级语言大模型，拥有13亿参数，由550B中英文tokens数据训练而成。采用了目前较新的训练技术，包括 ROPE位置编码、多组注意力机制和FlashAttention-2，以在加速训练的同时保持模型性能。此外，我们使用了 1000 万条指令数据进行微调，以增强模型的对齐能力，并采用DPO方法更新模型以符合人类偏好。 GEB-1.3B在MMLU、C-Eval和CMMLU等常用基准测试中表现优异，超过了类似同参数级别的模型如TinyLLaMA-1.1B。值得注意的是，GEB-1.3B的FP32版本在CPU上实现了令人满意的推理时间，我们正在通过先进的量化技术进一步提升速度。
评测结果
| Model | MMLU | C-Eval | CMMLU | Average |
|---|---|---|---|---|
| Baichuan-7B | 42.30 | 42.80 | 44.02 | 43.04 |
| ChatGLM-6B | 40.63 | 38.90 | - | 39.77 |
| GEB-1.3B | 31.20 | 33.30 | 32.20 | 32.23 |
| Llama-7B | 35.10 | 27.10 | 26.75 | 29.65 |
| Falcon-7B | 28.00 | - | - | 28.00 |
| MPT-7B | 27.93 | 27.15 | 26.00 | 27.03 |
| MindLLM-1.3B | 26.20 | 26.10 | 25.33 | 25.88 |
| MindLLM-3B | 26.20 | 25.70 | 25.00 | 25.63 |
| TinyLlama-1.1B | 25.34 | 25.02 | 24.03 | 24.80 |
运行模型
使用 transformers 后端进行推理:
from transformers import AutoTokenizer, AutoModel
import torch
model = AutoModel.from_pretrained("GEB-AGI/geb-1.3b", trust_remote_code=True).bfloat16().cuda()
tokenizer = AutoTokenizer.from_pretrained("GEB-AGI/geb-1.3b", trust_remote_code=True)
query = "你好"
response, history = model.chat(tokenizer, query, history=[])
print(response)
如果无法下载，请手动clone repo把模型文件下载到本地，并将本地路径替换model和tokenizer的路径。
推理速度
| 推理硬件 | 速度token/s |
|---|---|
| CPU | 12 |
| 3090 | 45 |
| 4090 | 50 |
协议
GEB-1.3B 模型的权重的使用则需要遵循 LICENSE。
引用
@article{geb-1.3b,
title={GEB-1.3B: Open Lightweight Large Language Model},
author={Jie Wu and Yufeng Zhu and Lei Shen and Xuqing Lu},
journal={arXiv preprint arXiv:2406.09900},
year={2024}
}