217 lines
6.2 KiB
Markdown
217 lines
6.2 KiB
Markdown
---
|
||
language:
|
||
- en
|
||
- ja
|
||
license: apache-2.0
|
||
tags:
|
||
- olmo
|
||
- causal-lm
|
||
- bilingual
|
||
- japanese
|
||
- from-scratch
|
||
pipeline_tag: text-generation
|
||
---
|
||
|
||
# tokenizerから自作した英語＆日本語対応モデル（アーキテクチャーはOLMo-2-386Mベース）
|
||
|
||
LLM学習の勉強用に開発したモデルです。会話にはなりません。
|
||
|
||
英日バイリンガルの小規模言語モデル。OLMo-2 アーキテクチャをベースに、**ランダム初期化から** Pretrain → CPT → SFT → DPO の4ステージパイプラインで学習しました。
|
||
|
||
事前学習済みモデルの重みをダウンロードせず、AllenAI が公開しているアーキテクチャ設定（`config.json`）のみを使用してゼロから学習しています。
|
||
|
||
---
|
||
|
||
## モデル概要
|
||
|
||
| 項目 | 値 |
|
||
|------|-----|
|
||
| アーキテクチャ | OLMo-2（縮小版） |
|
||
| パラメータ数 | ~386M |
|
||
| 語彙数 | 65,536（英日 BPE） |
|
||
| コンテキスト長 | 2,048 tokens |
|
||
| 精度 | bfloat16 |
|
||
| 対応言語 | 英語 / 日本語 |
|
||
|
||
### アーキテクチャ詳細
|
||
|
||
| ハイパーパラメータ | 値 |
|
||
|---|---|
|
||
| hidden_size | 1,024 |
|
||
| num_hidden_layers | 16 |
|
||
| num_attention_heads | 16 |
|
||
| num_key_value_heads | 8（GQA） |
|
||
| intermediate_size | 4,096 |
|
||
|
||
---
|
||
|
||
## 学習パイプライン
|
||
|
||
```
|
||
ランダム重み初期化
|
||
↓
|
||
Stage 1: Pretraining (~2B tokens, EN 70% / JA 30%)
|
||
↓
|
||
Stage 2: CPT / Annealing (高品質データで継続学習)
|
||
↓
|
||
Stage 3: SFT (~115K instruction samples)
|
||
↓
|
||
Stage 4: DPO (UltraFeedback preference alignment)
|
||
↓
|
||
本モデル
|
||
```
|
||
|
||
### Stage 1: Pretraining
|
||
|
||
| 項目 | 詳細 |
|
||
|------|------|
|
||
| データ | FineWeb (EN 70%) + Wikipedia JA (JA 30%) |
|
||
| トークン数 | ~2B tokens |
|
||
| LR | 3e-4（cosine + min-LR 10%） |
|
||
| Effective batch | 128 seq ≈ 262K tokens |
|
||
| Optimizer | AdamW (weight_decay=0.1) |
|
||
|
||
### Stage 2: CPT（Continued Pretraining）
|
||
|
||
| 項目 | 詳細 |
|
||
|------|------|
|
||
| データ | FineWeb-Edu (EN 60%) + CulturaX JA (JA 40%) |
|
||
| ドキュメント数 | 500K docs |
|
||
| LR | 1e-4（cosine） |
|
||
|
||
### Stage 3: SFT（Supervised Fine-Tuning）
|
||
|
||
| データセット | サンプル数 | 言語 |
|
||
|---|---|---|
|
||
| allenai/tulu-3-sft-mixture | 70,000 | 英語 |
|
||
| kunishou/databricks-dolly-15k-ja | ~15,000 | 日本語 |
|
||
| lightblue/tagengo-gpt4（日本語のみ） | 10,000 | 日本語 |
|
||
| izumi-lab/llm-japanese-dataset | 20,000 | 日本語 |
|
||
| **合計** | **~115,000** | |
|
||
|
||
| 項目 | 値 |
|
||
|---|---|
|
||
| LR | 5e-6（linear） |
|
||
| Epochs | 2 |
|
||
| Effective batch | 64 |
|
||
| Loss | Cross-Entropy（assistant turns のみ） |
|
||
|
||
### Stage 4: DPO（Direct Preference Optimization）
|
||
|
||
| 項目 | 詳細 |
|
||
|------|------|
|
||
| データ | allenai/ultrafeedback_binarized_cleaned |
|
||
| Loss | DPO sigmoid（β=0.1） |
|
||
| LR | 5e-7（linear） |
|
||
| Epochs | 1 |
|
||
|
||
---
|
||
|
||
## トークナイザー
|
||
|
||
英日バイリンガル BPE トークナイザーをゼロから学習しました。
|
||
|
||
| 項目 | 値 |
|
||
|---|---|
|
||
| 種類 | ByteLevel BPE |
|
||
| 語彙数 | 65,536（= 2¹⁶） |
|
||
| 学習データ | FineWeb 60K docs + Wikipedia JA 60K docs |
|
||
| 特殊トークン | `<\|endoftext\|>`, `<\|padding\|>`, `<\|user\|>`, `<\|assistant\|>`, `<\|system\|>` |
|
||
|
||
OLMo-2 のオリジナルトークナイザー（vocab=50,280）と比べて日本語トークン効率が大幅に向上しています。
|
||
|
||
---
|
||
|
||
## 使い方
|
||
|
||
```python
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
import torch
|
||
|
||
model_id = "itacora/olmo2-386m-ja"
|
||
|
||
tokenizer = AutoTokenizer.from_pretrained(model_id)
|
||
model = AutoModelForCausalLM.from_pretrained(
|
||
model_id,
|
||
torch_dtype=torch.bfloat16,
|
||
device_map="auto",
|
||
)
|
||
|
||
messages = [{"role": "user", "content": "機械学習とは何ですか？"}]
|
||
input_text = tokenizer.apply_chat_template(
|
||
messages, tokenize=False, add_generation_prompt=True
|
||
)
|
||
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
|
||
inputs.pop("token_type_ids", None)
|
||
|
||
with torch.inference_mode():
|
||
output = model.generate(
|
||
**inputs,
|
||
max_new_tokens=200,
|
||
temperature=0.7,
|
||
top_p=0.9,
|
||
do_sample=True,
|
||
repetition_penalty=1.3,
|
||
)
|
||
|
||
response = tokenizer.decode(output[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True)
|
||
print(response)
|
||
```
|
||
|
||
### チャットテンプレート
|
||
|
||
```
|
||
<|user|>
|
||
{ユーザーの入力}
|
||
<|assistant|>
|
||
{モデルの返答}<|endoftext|>
|
||
```
|
||
|
||
---
|
||
|
||
## 学習環境
|
||
|
||
| 項目 | 詳細 |
|
||
|------|------|
|
||
| GPU | NVIDIA RTX 4090 (24GB VRAM) |
|
||
| フレームワーク | PyTorch 2.4 + Transformers + TRL |
|
||
| 精度 | bfloat16 + gradient checkpointing |
|
||
| プラットフォーム | RunPod |
|
||
|
||
---
|
||
|
||
## 限界と注意事項
|
||
|
||
- **Pretrain データ量**: Chinchilla 最適値（386M × 20 = ~8B tokens）に対して約 2B tokens のみ。言語能力・知識量ともに制限があります。
|
||
- **繰り返し**: 長い生成では同じ文が繰り返されることがあります。`repetition_penalty=1.3` の使用を推奨します。
|
||
- **事実の誤り**: 知識が不十分なため、誤った情報を生成する場合があります。重要な用途には使用しないでください。
|
||
- **日本語品質**: SFT データの一部（izumi-lab）に `【P】` 等のフォーマットマーカーが含まれており、日本語生成に影響することがあります。
|
||
- **研究・実験目的**: 本モデルはフルパイプラインの動作確認・学習実験を目的として作成されました。プロダクション用途には適しません。
|
||
|
||
---
|
||
|
||
## ライセンス
|
||
|
||
Apache 2.0
|
||
|
||
学習データに使用した各データセットのライセンスも確認してください：
|
||
- [FineWeb](https://huggingface.co/datasets/HuggingFaceFW/fineweb): ODC-By
|
||
- [Wikipedia](https://huggingface.co/datasets/wikimedia/wikipedia): CC BY-SA 4.0
|
||
- [Tülu-3 SFT mixture](https://huggingface.co/datasets/allenai/tulu-3-sft-mixture): ODC-BY
|
||
- [UltraFeedback](https://huggingface.co/datasets/allenai/ultrafeedback_binarized_cleaned): MIT
|
||
|
||
---
|
||
|
||
## 引用
|
||
|
||
本モデルは以下の研究・成果物をベースにしています：
|
||
|
||
```bibtex
|
||
@article{olmo2,
|
||
title={OLMo 2: The best fully open language model to date},
|
||
author={Team OLMo},
|
||
year={2025},
|
||
url={https://arxiv.org/abs/2501.00656}
|
||
}
|
||
```
|