Llama-zh-base is an open-source project that offers a complete training pipeline for building Chinese large language models, ranging from dataset preparation to tokenization, pre-training, prompt tuning, and the reinforcement learning technique RLHF. This is the Llama-zh-base model trained from scratch using the Chinese pretrain corpus in this project.The amount of parameters is about 0.8B.
使用120G中文语料重头开始预训练的Llama模型，旨在提供可用的中小型基础模型。重新构建了embedding层和tokenizer。目前未经过指令微调。参数量约为0.8B左右。
项目github link Repo Links
简介
LLama-zh-base模型是基于目前llama系列的模型架构，从头重新预训练的LLama模型。 由于llama原模型本身并未在中文语料上单独训练，词表中也并未包括太多的中文字符。 本项目重新构建了Llama的分词工具与词表。并重新初始化了对应的模型，在中文领域上的持续预训练。
模型内容
Chatterbox-Llama-zh系列
| 模型名称 | 模型大小 | 链接 |
|---|---|---|
| Chatterbox-Llama-zh-base | 0.8B | https://huggingface.co/TurboPascal/Chatterbox-LLaMA-zh-base |
| Chatterbox-Llama-zh-2b6 | 2B6 | Coming soon |
Notes:
- 本模型没有使用原LLaMA的权重，因此无需顾虑LLama权重协议的问题。
数据
预训练阶段使用开源数据与本项目爬取的部分数据。共使用约33G中文预训练数据、MC4-zh、Code数据集。清洗后筛选共120G左右数据训练1 epoch，初始学习率1e-4。未经过指令微调。
中文预训练数据
- 新浪新闻数据（SinaNews），220万条新闻文档数据
- 人民日报数据（People's Daily Datasets），148万条人民日报数据。
- 维基百科(wiki2019zh)，100万个结构良好的中文词条
- 新闻语料(news2016zh)，250万篇新闻，含关键词、描述
- 社区问答json版(webtext2019zh)，410万个高质量社区问答
- THUCNews数据(THUCNews) ，74万篇新闻文档（2.19 GB）
- 评论数据-语料 （comments2019zh_corpus），240万条评论数据
- 社区互动-语料 （webText2019zh_corpus），310W条社区互动数据
- 科学文献数据（CSL）, 约40W篇中文核心期刊文献摘要
- Belle数据集