/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
17 сен 2024

Ichigo-llama3.1-s-instruct-v0.3-phase-2

Генерация текстаТекст → текст3 профессии

Исследовательская англоязычная модель Homebrew Research на базе Llama 3.1, которая принимает аудио и текст и отвечает текстом.

41скачиваний за 30 дней5лайковвеса обновлены19 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ichigo-llama3.1-s-instruct-v0.3-phase-2 — исследовательская модель Homebrew Research на архитектуре Llama 3.1, рассчитанная на совместное понимание аудио и текста и выдачу текстовых ответов. Это чекпойнт шага 7000 семейства Ichigo-llama3s, дообученный на базе homebrewltd/Ichigo-llama3.1-s-base-v0.3 примерно на 1 млрд токенов набора Instruction Speech WhisperVQ v3; WhisperVQ используется как токенизатор аудио. Модель имеет 7,5 млрд параметров и контекст 131 072 токена.

Модель предназначена прежде всего для исследований понимания звука языковой моделью: например, для ответов на инструкции, содержащие аудио, и диалога по аудиовходу. В карточке указана поддержка английского языка. Авторы сообщают о результатах на MMLU и AudioBench, но предупреждают, что шум в обучающих данных завышает оценку на Speech Instruction benchmark. Репозиторий распространяется под лицензией Apache-2.0.

Сценарии применения

  • ответы на вопросы по аудиозаписи
  • выполнение инструкций, переданных голосом
  • диалог с языковой моделью через аудиовход

Ограничения

Авторы предупреждают, что шум в обучающих данных искусственно завышает результат на Speech Instruction benchmark. Модель предназначена прежде всего для исследовательского применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Details

We have developed and released the family Ichigo-llama3s. This family is natively understanding audio and text input.

We expand the Semantic tokens experiment with WhisperVQ as a tokenizer for audio files from homebrewltd/Ichigo-llama3.1-s-base-v0.3 with nearly 1B tokens from Instruction Speech WhisperVQ v3 dataset. This is the model checkpoint from step 7000. Due to some noise in the training data, it has an artificially higher score on the Speech Instruction benchmark.

Model developers Homebrew Research.

Input Text and sound.

Output Text.

Model Architecture Llama-3.

Language(s): English.

Intended Use

Intended Use Cases This family is primarily intended for research applications. This version aims to further improve the LLM on sound understanding capabilities.

Out-of-scope The use of llama3-s in any manner that violates applicable laws or regulations is strictly prohibited.

How to Get Started with the Model

Try this model using Google Colab Notebook.

First, we need to convert the audio file to sound tokens

device = "cuda" if torch.cuda.is_available() else "cpu"
if not os.path.exists("whisper-vq-stoks-medium-en+pl-fixed.model"):
    hf_hub_download(
        repo_id="jan-hq/WhisperVQ",
        filename="whisper-vq-stoks-medium-en+pl-fixed.model",
        local_dir=".",
    )
vq_model = RQBottleneckTransformer.load_model(
        "whisper-vq-stoks-medium-en+pl-fixed.model"
    ).to(device)
vq_model.ensure_whisper(device)
def audio_to_sound_tokens(audio_path, target_bandwidth=1.5, device=device):

    wav, sr = torchaudio.load(audio_path)
    if sr != 16000:
        wav = torchaudio.functional.resample(wav, sr, 16000)
    with torch.no_grad():
        codes = vq_model.encode_audio(wav.to(device))
        codes = codes[0].cpu().tolist()

    result = ''.join(f'<|sound_{num:04d}|>' for num in codes)
    return f'<|sound_start|>{result}<|sound_end|>'

Then, we can inference the model the same as any other LLM.

def setup_pipeline(model_path, use_4bit=False, use_8bit=False):
    tokenizer = AutoTokenizer.from_pretrained(model_path)

    model_kwargs = {"device_map": "auto"}

    if use_4bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_4bit=True,
            bnb_4bit_compute_dtype=torch.bfloat16,
            bnb_4bit_use_double_quant=True,
            bnb_4bit_quant_type="nf4",
        )
    elif use_8bit:
        model_kwargs["quantization_config"] = BitsAndBytesConfig(
            load_in_8bit=True,
            bnb_8bit_compute_dtype=torch.bfloat16,
            bnb_8bit_use_double_quant=True,
        )
    else:
        model_kwargs["torch_dtype"] = torch.bfloat16

    model = AutoModelForCausalLM.from_pretrained(model_path, **model_kwargs)

    return pipeline("text-generation", model=model, tokenizer=tokenizer)

def generate_text(pipe, messages, max_new_tokens=64, temperature=0.0, do_sample=False):
    generation_args = {
        "max_new_tokens": max_new_tokens,
        "return_full_text": False,
        "temperature": temperature,
        "do_sample": do_sample,
    }

    output = pipe(messages, **generation_args)
    return output[0]['generated_text']

# Usage
llm_path = "homebrewltd/llama3.1-s-instruct-v0.2"
pipe = setup_pipeline(llm_path, use_8bit=True)

Training process

Training Metrics Image: Below is a snapshot of the training loss curve visualized.

image/png

MMLU:

ModelMMLU Score
llama3.5-instruct-8b69.40
ichigo-llama3.1-s-v0.3: phase 363.79
ichigo-llama3.1-s-v0.3: phase 263.08
ichigo-llama3.1-s-base-v0.342.11
llama3.5-instruct-v0.250.27

AudioBench Eval:

Model BenchOpen-hermes Instruction Audio (GPT-4-O judge 0:5)Alpaca Instruction Audio (GPT-4-O judge 0:5)
Llama3.1-s-v23.453.53
Ichigo-llama3.1-s v0.3-phase2 -cp70003.423.62
Ichigo-llama3.1-s v0.3-phase2-cplast3.313.6
Ichigo-llama3.1-s v0.3-phase33.643.68
Qwen2-audio-7B2.632.24

Hardware

GPU Configuration: Cluster of 8x NVIDIA H100-SXM-80GB.

GPU Usage:

  • Continual Training: 12 hours.

Training Arguments

We utilize torchtune library for the latest FSDP2 training code implementation.

ParameterInstruction Fine-tuning
Epoch1
Global batch size256
Learning Rate7e-5
Learning SchedulerCosine with warmup
OptimizerAdam torch fused
Warmup Ratio0.01
Weight Decay0.005
Max Sequence Length4096

Examples

  1. Good example:
  1. Misunderstanding example:
  1. Off-tracked example:

Citation Information

BibTeX:

@article{Llama3-S: Sound Instruction Language Model 2024,
  title={Llama3-S},
  author={Homebrew Research},
  year=2024,
  month=August},
  url={https://huggingface.co/homebrewltd/llama3.1-s-2024-08-20}

Acknowledgement

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
34b17f0

0 моделей