/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Лицензия
Apache 2.0
Архитектура
bamboo · dense
Опубликована
22 мар 2024

Bamboo-base-v0_1

Генерация текстаТекст → текст9 профессий

Bamboo — англоязычная причинная LLM на 7,1 млрд параметров с разреженными активациями для генерации текста и извлечения признаков.

30скачиваний за 30 дней21лайквеса обновлены7 июн 2024

Бенчмарки

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

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

Bamboo-base-v0_1 — плотная языковая модель на 7,1 млрд параметров, разработанная командой Tiiny. Это причинная модель архитектуры Bamboo с модифицированным блоком FFN: после GLU добавлена ReLU, что, по README, обеспечивает около 85% разреженности активаций и рассчитано на ускорение инференса. Модель предназначена для генерации текста и извлечения признаков; в карточке также заявлено сопоставимое с Mistral-7B качество на ряде тестов.

Модель обучалась на 150 млрд токенов, включая англоязычные веб-данные, код и математические тексты. Контекст составляет до 32 768 токенов. Она подходит для генерации и продолжения английского текста, а также для исследовательских экспериментов с разреженными LLM и ускорением вывода. Поддержка других языков ограничена.

Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README отмечает возможные пробелы в качестве на отдельных задачах и вероятностный характер генерации, который может приводить к неожиданным ответам.

Сценарии применения

  • генерация и продолжение текста на английском языке
  • извлечение признаков из текстов для последующей обработки
  • эксперименты с разреженными языковыми моделями
  • оценка языковых моделей на задачах рассуждения и понимания

Ограничения

Модель обучалась на 150 млрд токенов и может уступать на отдельных задачах; её возможности на языках помимо английского ограничены. Вероятностная генерация может давать неожиданные ответы.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introducation

Sparse computing is increasingly recognized as an important direction to improve the computational efficiency (e.g., inference speed) of large language models (LLM).

Recent studies (Zhang el al., 2021; Liu et al., 2023; Mirzadeh et al., 2023) reveal that LLMs inherently exhibit properties conducive to sparse computation when employing the ReLU activation function. This insight opens up new avenues for inference speed, akin to MoE's selective activation. By dynamically choosing model parameters for computation, we can substantially boost inference speed.

However, the widespread adoption of ReLU-based models in the LLM field remains limited. Here we introduce a new 7B ReLU-based LLM, Bamboo (Github link: https://github.com/SJTU-IPADS/Bamboo), which boasts nearly 85% sparsity and performance levels on par with Mistral-7B.

Model Architecture

To push the model's sparsity, we add a ReLU component after GLU component, called dReLU(double ReLU). So our FFN network works as follows:

class BambooMLP(nn.Module):                                                                                                                   
    def __init__(self, config):                                                                                                                
        super().__init__()                                                                                                                     
        self.config = config                                                                                                                   
        self.hidden_size = config.hidden_size                                                                                                  
        self.intermediate_size = config.intermediate_size                                                                                      
        self.gate_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False)                                                       
        self.up_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False)                                                         
        self.down_proj = nn.Linear(self.intermediate_size, self.hidden_size, bias=False)                                                       
        self.act_fn = ACT2FN[config.hidden_act]                                                                                                
                                                                                                                                               
    def forward(self, x):                                                                                                                      
        return self.down_proj(self.act_fn(self.gate_proj(x)) * self.act_fn(self.up_proj(x)))

Training Details

In this section, we introduce the details of training our model, including types of data used, and hyperparameters.

We initialized the model weights to Mistral's model weights and modified the FFN structure to the dReLU structure, then continued pre-training for 200B tokens, divided into two phases:

First phase: For the proportion of training corpus, we followed the data mix ratio and sources of the StableLM-3B model (link), conducting a further pre-training with 150B tokens.

The following table shows the hyper-paramters we used in our training process.

Hyper-parameters
GPUs64 80G-A800
Learning Rate ControlCosine
Peak Learning Rate5e-5
Batch Size4M
Weight Decay0.1
Context Length2k

Second phase: We further adjusted the training corpus ratio, incorporating more domain-specific datasets (e.g., Math, Coding), and continued training for 50B tokens.

Hyper-parameters
GPUs64 80G-A800
Learning Rate ControlCosine
Peak Learning Rate5e-6
Batch Size4M
Weight Decay0.01
Context Length4k

Performance Evaluation Results

Our evaluation is based on the framework lm-evaluation-harness and opencompass. The evaluation details are listed as follows:

  • Huggingface LLM Leaderboard tasks.
  • Other Popular Benchmarks: We report the average accuracies on Big Bench Hard (BBH) (3-shot), HumanEval.
AverageMMLUWinograndeTruthfulQAHellaswagGSM8KArc-CHumanEvalBBH
Bamboo57.163.8976.1644.0682.1752.8462.2025.650.35
Mistral-v0.156.562.6579.2442.6283.3240.1861.4326.2156.35

Inference Speed Evaluation Results

We utilize PowerInfer, a state-of-the-art acceleration framework leveraging activation sparsity. Here we show the inference speed compared with llama.cpp/transformers.

Limitation & Disclaimer

  • Bamboo, having undergone training with only 150B tokens, may still exhibit performance gaps in certain tasks.
  • The Bamboo model has only been trained on English-language datasets, hence its capabilities in other languages are still lacking.
  • The model may produce unexpected outputs due to its size and probabilistic generation paradigm.

License

The code is licensed under Apache-2.0, while model weights are fully open for academic research and also allow free commercial usage.

Citation

Please kindly cite using the following BibTeX:

@misc{bamboo,
    title={Bamboo: Harmonizing Sparsity and Performance in Large Language Models}, 
    author={Yixin Song, Haotong Xie, Zeyu Mi, Li Ma, Haibo Chen},
    year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
BambooForCausalLM
Ревизия весов
59eb4d9

0 моделей