/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
16 дек 2024

llm-jp-3-172b

Генерация текстаТекст → текст

Японская трансформерная языковая модель на 172 млрд параметров для генерации текста и ответов на вопросы на японском и английском языках.

3скачиваний за 30 дней5лайковвеса обновлены23 дек 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

llm-jp-3-172b — трансформерная языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии; разработка частично поддержана программой GENIAC. Репозиторий содержит базовые и инструктивно настроенные варианты семейства, включая чекпойнт объёмом 172 млрд параметров. Для обучения использовано 2,1 трлн токенов; контекстная длина в карточке для версии 172b не приведена.

Модель предназначена для генерации текста на японском и английском языках: её можно применять для ответов на вопросы, написания и суммирования текстов, а также языковых рассуждений. Для токенизации используется Unigram byte-fallback токенизатор на основе словаря llm-jp-tokenizer v3.0. Модель поставляется в формате Transformers и safetensors; лицензия указана как other. Авторы предупреждают, что модели находятся на раннем этапе разработки и не настроены для надёжного соответствия намерениям человека и требованиям безопасности. Поэтому ответы могут быть неточными или нежелательными; для критичных сценариев необходима проверка результатов.

Сценарии применения

  • генерация японских текстов
  • ответы на вопросы на японском языке
  • суммирование японских документов
  • написание и редактирование текстов на японском языке
  • многоязычная генерация текста на японском и английском

Ограничения

Авторы отмечают, что модель находится на раннем этапе разработки и не настроена для надёжного соответствия человеческим намерениям и требованиям безопасности. Лицензия обозначена как other, поэтому условия использования следует сверить с полным текстом лицензии.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

llm-jp-3-172b

This repository provides large language models developed by the Research and Development Center for Large Language Models at the National Institute of Informatics.

The development was partially supported by GENIAC.

Model Variants
llm-jp-3-1.8b
llm-jp-3-1.8b-instruct
llm-jp-3-3.7b
llm-jp-3-3.7b-instruct
llm-jp-3-13b
llm-jp-3-13b-instruct
llm-jp-3-172b-beta1
llm-jp-3-172b-beta1-instruct
llm-jp-3-172b-beta2
llm-jp-3-172b-beta2-instruct2
llm-jp-3-172b
llm-jp-3-172b-instruct3

Checkpoints format: Hugging Face Transformers

Required Libraries and Their Versions

  • torch>=2.3.0
  • transformers>=4.40.1
  • tokenizers>=0.19.1
  • accelerate>=0.29.3
  • flash-attn>=2.5.8

Usage

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
tokenizer = AutoTokenizer.from_pretrained("llm-jp/llm-jp-3-172b")
model = AutoModelForCausalLM.from_pretrained("llm-jp/llm-jp-3-172b", device_map="auto", torch_dtype=torch.bfloat16)
text = "自然言語処理とは何か"
tokenized_input = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt").to(model.device)
with torch.no_grad():
    output = model.generate(
        tokenized_input,
        max_new_tokens=100,
        do_sample=True,
        top_p=0.95,
        temperature=0.7,
        repetition_penalty=1.05,
    )[0]
print(tokenizer.decode(output))

Model Details

  • Model type: Transformer-based Language Model
  • Total seen tokens::
    • llm-jp-3-1.8b: 2.1T
    • llm-jp-3-3.7b: 2.1T
    • llm-jp-3-13b: 2.1T
    • llm-jp-3-172b-beta1: 0.7T
    • llm-jp-3-172b-beta2: 1.4T
    • llm-jp-3-172b: 2.1T
ParamsLayersHidden sizeHeadsContext lengthEmbedding parametersNon-embedding parameters
1.8b242048164096407,498,7521,459,718,144
3.7b283072244096611,248,1283,171,068,928
13b4051204040961,018,746,88012,688,184,320
172b96122889640962,444,992,512169,947,181,056

Tokenizer

The tokenizer of this model is based on huggingface/tokenizers Unigram byte-fallback model. The vocabulary entries were converted from llm-jp-tokenizer v3.0. Please refer to README.md of llm-jp-tokenizer for details on the vocabulary construction procedure (the pure SentencePiece training does not reproduce our vocabulary).

Datasets

Pre-training

The models have been pre-trained using a blend of the following datasets.

LanguageDatasetTokens
JapaneseWikipedia2.6B
Common Crawl762.8B
WARP/PDF237.3B
WARP/HTML2.7B
Kaken1.8B
EnglishWikipedia4.7B
Dolma/CC-head608.5B
Dolma/C4181.6B
Dolma/Reddit83.1B
Dolma/PeS2o62.9B
Dolma/Gutenberg5.5B
Dolma/Wiki3.9B
CodeThe Stack114.1B
ChineseWikipedia0.8B
KoreanWikipedia0.3B

Post-training

We have fine-tuned the pre-trained checkpoint with supervised fine-tuning and further aligned it with Direct Preference Optimization.

Supervised Fine-tuning

The datasets used for supervised fine-tuning are as follows:

LanguageDatasetDescription
Japaneseichikara-instruction-004-002A manually constructed Japanese instruction dataset.
answer-carefully-002A manually constructed instruction dataset focusing on LLMs' safety.
ichikara-instruction-formatA small subset of the ichikara-instruction dataset, edited with some constraints on the output format.
AutoMultiTurnByCalm3-22BA synthetic instruction dataset.
ramdom-to-fixed-multiturn-Calm3A synthetic instruction dataset.
wizardlm8x22b-logical-math-coding-sft-jaA synthetic instruction dataset. We used a sampled subset.
wizardlm8x22b-logical-math-coding-sft_additional-jaA synthetic instruction dataset. We used a sampled subset.
magpie-sft-v1.0A synthetic instruction dataset we created.
EnglishDaring-Anteater-
FLANWe used a sampled subset.
Japanese & EnglishSynthetic-JP-EN-Coding-Dataset-567kA synthetic instruction dataset. We used a sampled subset.

Direct Preference Optimization

We used synthetic preference data to improve both the helpfulness and harmlessness of the LLM. The datasets will be made available soon.

Evaluation

llm-jp-eval (v1.4.1)

We evaluated the models using 100 examples from the dev split. Note that we skipped the CG (Code Generation) task.

Model nameaverageELFAHEMCMRMTNLIQARCSUM
llm-jp-3-172b-beta10.51740.44600.25560.37000.64000.61000.82650.56000.57200.85050.0434
llm-jp-3-172b-beta1-instruct0.57000.43060.22920.43500.84330.62000.82280.68200.58730.89640.1529
llm-jp-3-172b-beta20.54220.33370.27250.47000.77670.69000.82830.59600.61330.83800.0037
llm-jp-3-172b-beta2-instruct20.60220.54700.26650.51000.86000.70000.83920.68000.63460.87700.1076
llm-jp-3-172b0.54310.40770.26620.51500.76330.67000.82270.57400.56860.82890.0148
llm-jp-3-172b-instruct30.61300.51730.27110.57000.87330.73000.84370.72800.60120.88290.1121

Japanese MT Bench

We evaluated the models using gpt-4-0613. Please see the codes for details.

Model nameaveragecodingextractionhumanitiesmathreasoningroleplaystemwriting
llm-jp-3-172b-beta1-instruct5.142.905.308.802.152.456.957.455.15
llm-jp-3-172b-beta2-instruct26.724.106.907.604.006.358.707.958.15
llm-jp-3-172b-instruct37.574.858.559.563.757.68.18.959.2

Risks and Limitations

The models released here are in the early stages of our research and development and have not been tuned to ensure outputs align with human intent and safety considerations.

Send Questions to

llm-jp(at)nii.ac.jp

License

See the LICENSE file.

Model Card Authors

The names are listed in alphabetical order.

Hirokazu Kiyomaru and Takashi Kodama.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
ba6ed3f

0 моделей