初始化项目,由ModelHub XC社区提供模型
Model: Nwna/olmo3-190m-zh-v2-base Source: Original Platform
This commit is contained in:
35
.gitattributes
vendored
Normal file
35
.gitattributes
vendored
Normal file
@@ -0,0 +1,35 @@
|
|||||||
|
*.7z filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.arrow filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.bin filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.bz2 filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ckpt filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ftz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.gz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.h5 filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.joblib filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.lfs.* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.mlmodel filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.model filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.msgpack filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.npy filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.npz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.onnx filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.ot filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.parquet filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pb filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pickle filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pkl filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pt filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.pth filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.rar filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.safetensors filter=lfs diff=lfs merge=lfs -text
|
||||||
|
saved_model/**/* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tar.* filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tar filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tflite filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.tgz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.wasm filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.xz filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.zip filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*.zst filter=lfs diff=lfs merge=lfs -text
|
||||||
|
*tfevents* filter=lfs diff=lfs merge=lfs -text
|
||||||
185
README.md
Normal file
185
README.md
Normal file
@@ -0,0 +1,185 @@
|
|||||||
|
---
|
||||||
|
license: apache-2.0
|
||||||
|
language:
|
||||||
|
- zh
|
||||||
|
tags:
|
||||||
|
- pretrained
|
||||||
|
- olmo3
|
||||||
|
- chinese
|
||||||
|
- base-model
|
||||||
|
- llm001
|
||||||
|
library_name: transformers
|
||||||
|
pipeline_tag: text-generation
|
||||||
|
datasets:
|
||||||
|
- Nwna/olmo3-190m-zh-v2-base-data
|
||||||
|
---
|
||||||
|
|
||||||
|
# OLMo3-190M-zh-v2-base
|
||||||
|
|
||||||
|
**中文 from-scratch pretrain 教学模型**。本模型使用自训 48k 中文 BPE tokenizer 和约 **3.3907B tokens** 中文语料,从零训练 OLMo3-190M 架构 1 epoch。
|
||||||
|
|
||||||
|
> 这是《零基础 AI 大模型研发训练营》第 04 讲作业模型。它是 base model,不是 instruction/chat model;适合用于中文续写、继续预训练和后续 SFT。
|
||||||
|
|
||||||
|
## 来源与动机
|
||||||
|
|
||||||
|
本模型的目标是完整走通小型中文 LLM 的基础预训练链路:
|
||||||
|
|
||||||
|
```text
|
||||||
|
原始中文语料
|
||||||
|
-> 自训 48k 中文 BPE tokenizer
|
||||||
|
-> 构建 3.3907B tokenized base 数据
|
||||||
|
-> 从零训练 OLMo3-190M base model 1 epoch
|
||||||
|
-> 生成评估
|
||||||
|
-> 推送 HuggingFace
|
||||||
|
```
|
||||||
|
|
||||||
|
这条 v2 链路没有直接复用老师旧版 tokenized 数据,而是重新训练 tokenizer、重新构建 tokenized 数据,并同步模型 config 的 `vocab_size` 与特殊 token id。
|
||||||
|
|
||||||
|
## 架构
|
||||||
|
|
||||||
|
基于 OLMo3-190M causal LM 架构:
|
||||||
|
|
||||||
|
| 字段 | 值 |
|
||||||
|
|---|---:|
|
||||||
|
| `architectures` | `["Olmo3ForCausalLM"]` |
|
||||||
|
| `hidden_size` | 768 |
|
||||||
|
| `num_hidden_layers` | 12 |
|
||||||
|
| `num_attention_heads` | 12 |
|
||||||
|
| `intermediate_size` | 3072 |
|
||||||
|
| `vocab_size` | 48,000 |
|
||||||
|
| `max_position_embeddings` | 4096 |
|
||||||
|
| training seq_len | 2048 |
|
||||||
|
| total params | ~187M |
|
||||||
|
|
||||||
|
## 使用
|
||||||
|
|
||||||
|
```python
|
||||||
|
from transformers import AutoModelForCausalLM, AutoTokenizer
|
||||||
|
|
||||||
|
tok = AutoTokenizer.from_pretrained("Nwna/olmo3-190m-zh-v2-base")
|
||||||
|
model = AutoModelForCausalLM.from_pretrained("Nwna/olmo3-190m-zh-v2-base")
|
||||||
|
|
||||||
|
inputs = tok("人工智能是", return_tensors="pt")
|
||||||
|
outputs = model.generate(
|
||||||
|
**inputs,
|
||||||
|
max_new_tokens=120,
|
||||||
|
do_sample=True,
|
||||||
|
temperature=0.8,
|
||||||
|
top_p=0.9,
|
||||||
|
)
|
||||||
|
print(tok.decode(outputs[0], skip_special_tokens=True))
|
||||||
|
```
|
||||||
|
|
||||||
|
### 用于继续预训练 / SFT
|
||||||
|
|
||||||
|
这是 base model,没有对话能力。推荐用途是:
|
||||||
|
|
||||||
|
```python
|
||||||
|
from transformers import AutoModelForCausalLM
|
||||||
|
|
||||||
|
model = AutoModelForCausalLM.from_pretrained("Nwna/olmo3-190m-zh-v2-base")
|
||||||
|
# 继续做 continue pretrain 或作为 SFT 底座
|
||||||
|
```
|
||||||
|
|
||||||
|
## 训练配方
|
||||||
|
|
||||||
|
### Tokenizer 与数据
|
||||||
|
|
||||||
|
| 项目 | 值 |
|
||||||
|
|---|---:|
|
||||||
|
| tokenizer | `Nwna/olmo3-190m-zh-v2-tokenizer` |
|
||||||
|
| tokenizer 类型 | 中文 Byte-level BPE |
|
||||||
|
| vocab size | 48,000 |
|
||||||
|
| tokenized data | `Nwna/olmo3-190m-zh-v2-base-data` |
|
||||||
|
| actual tokens | 3,390,687,394 |
|
||||||
|
| dtype | uint16 |
|
||||||
|
|
||||||
|
数据主要来自:
|
||||||
|
|
||||||
|
| 数据源 | 作用 |
|
||||||
|
|---|---|
|
||||||
|
| Ultra-FineWeb-zh | 提供通用中文网页文本,覆盖面广 |
|
||||||
|
| Fineweb-Edu-Chinese-V2.2 | 提供教育类文本,提高知识密度 |
|
||||||
|
|
||||||
|
### 超参
|
||||||
|
|
||||||
|
| 项目 | 值 |
|
||||||
|
|---|---:|
|
||||||
|
| GPU | H100 |
|
||||||
|
| precision | bf16 |
|
||||||
|
| attention | SDPA |
|
||||||
|
| epochs | 1.0 |
|
||||||
|
| global steps | 12,288 |
|
||||||
|
| per-device batch | 16 |
|
||||||
|
| grad accumulation | 8 |
|
||||||
|
| effective batch | 128 sequences |
|
||||||
|
| tokens / step | 262,144 |
|
||||||
|
| peak lr | 5e-4 |
|
||||||
|
| min lr | 5e-5 |
|
||||||
|
| scheduler | warmup + cosine |
|
||||||
|
| optimizer | AdamW |
|
||||||
|
| weight decay | 0.1,embedding / norm / bias excluded |
|
||||||
|
|
||||||
|
## Loss 轨迹
|
||||||
|
|
||||||
|
| step | eval_loss | eval_ppl |
|
||||||
|
|---:|---:|---:|
|
||||||
|
| 4,000 | 4.1429 | 63.0 |
|
||||||
|
| 8,000 | 3.9029 | 49.5 |
|
||||||
|
| 12,000 | 3.8042 | 44.9 |
|
||||||
|
|
||||||
|
最后 100 条训练日志的 train loss 平均约 **3.797**。训练结束在 step 12,288,最后一次 eval 发生在 step 12,000。
|
||||||
|
|
||||||
|
|
||||||
|
## 7-prompt 抽测表现
|
||||||
|
|
||||||
|
使用 `src/eval.py` 的采样生成设置:
|
||||||
|
|
||||||
|
```text
|
||||||
|
max_new_tokens=120
|
||||||
|
do_sample=True
|
||||||
|
temperature=0.8
|
||||||
|
top_p=0.9
|
||||||
|
repetition_penalty=1.1
|
||||||
|
```
|
||||||
|
|
||||||
|
| Prompt | 表现 | 观察 |
|
||||||
|
|---|---|---|
|
||||||
|
| 人工智能是 | 🟡 | 能生成中文科普段落,但重复与套话明显 |
|
||||||
|
| 山里有座庙 | 🟡 | 可续写,容易转成虚构的文物/寺庙说明 |
|
||||||
|
| 今天天气不错,我准备 | 🟡 | 能续写日常文本,但上下文关系混乱 |
|
||||||
|
| 北京大学位于 | 🔴 | 地理事实不稳定,可能答到错误地点 |
|
||||||
|
| 四大发明是 | 🔴 | 不能稳定列出正确四大发明 |
|
||||||
|
| 《红楼梦》人物 | 🔴 | 容易生成标题式重复或人物混杂 |
|
||||||
|
| Python 是一种 | 🟡 | 知道与编程相关,但定义不稳定 |
|
||||||
|
|
||||||
|
## 限制
|
||||||
|
|
||||||
|
1. **不是 chat / instruction model**:没有经过 SFT 或 RLHF,不具备稳定对话能力。
|
||||||
|
2. **事实可靠性有限**:190M 小模型在单轮 1 epoch 训练后仍会产生事实混淆。
|
||||||
|
3. **采样输出会波动**:`do_sample=True` 时,同一 prompt 多次生成可能不同。
|
||||||
|
4. **上下文控制较弱**:开放式 prompt 可能漂移到网页、列表、故事或百科腔。
|
||||||
|
|
||||||
|
## License
|
||||||
|
|
||||||
|
- **模型权重**:Apache-2.0
|
||||||
|
- **训练数据**:混合来源。请根据各原始数据源许可确认下游使用边界。
|
||||||
|
|
||||||
|
## 配套资源
|
||||||
|
|
||||||
|
- Tokenizer: <https://huggingface.co/Nwna/olmo3-190m-zh-v2-tokenizer>
|
||||||
|
- Tokenized data: <https://huggingface.co/datasets/Nwna/olmo3-190m-zh-v2-base-data>
|
||||||
|
- Space demo: <https://huggingface.co/spaces/Nwna/olmo3-190m-zh-v2-base>
|
||||||
|
- Continue model: <https://huggingface.co/Nwna/olmo3-190m-zh-v2-continue>
|
||||||
|
|
||||||
|
## Citation
|
||||||
|
|
||||||
|
```bibtex
|
||||||
|
@misc{nwna-olmo3-190m-zh-v2-base,
|
||||||
|
title={OLMo3-190M-zh-v2-base: Chinese From-Scratch Pretrained Teaching Model},
|
||||||
|
author={Nwna},
|
||||||
|
year={2026},
|
||||||
|
howpublished={\url{https://huggingface.co/Nwna/olmo3-190m-zh-v2-base}},
|
||||||
|
note={LLM001 Course, Lecture 04 homework}
|
||||||
|
}
|
||||||
|
```
|
||||||
43
config.json
Normal file
43
config.json
Normal file
@@ -0,0 +1,43 @@
|
|||||||
|
{
|
||||||
|
"architectures": [
|
||||||
|
"Olmo3ForCausalLM"
|
||||||
|
],
|
||||||
|
"attention_bias": false,
|
||||||
|
"attention_dropout": 0.0,
|
||||||
|
"attn_implementation": "sdpa",
|
||||||
|
"bos_token_id": 2,
|
||||||
|
"dtype": "float32",
|
||||||
|
"eos_token_id": 0,
|
||||||
|
"hidden_act": "silu",
|
||||||
|
"hidden_size": 768,
|
||||||
|
"initializer_range": 0.02,
|
||||||
|
"intermediate_size": 3072,
|
||||||
|
"layer_types": [
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"full_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"full_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"sliding_attention",
|
||||||
|
"full_attention"
|
||||||
|
],
|
||||||
|
"max_position_embeddings": 4096,
|
||||||
|
"model_type": "olmo3",
|
||||||
|
"num_attention_heads": 12,
|
||||||
|
"num_hidden_layers": 12,
|
||||||
|
"num_key_value_heads": 12,
|
||||||
|
"pad_token_id": 1,
|
||||||
|
"rms_norm_eps": 1e-06,
|
||||||
|
"rope_scaling": null,
|
||||||
|
"rope_theta": 500000,
|
||||||
|
"sliding_window": 4096,
|
||||||
|
"tie_word_embeddings": false,
|
||||||
|
"transformers_version": "4.57.6",
|
||||||
|
"use_cache": true,
|
||||||
|
"vocab_size": 48000
|
||||||
|
}
|
||||||
9
generation_config.json
Normal file
9
generation_config.json
Normal file
@@ -0,0 +1,9 @@
|
|||||||
|
{
|
||||||
|
"_from_model_config": true,
|
||||||
|
"bos_token_id": 2,
|
||||||
|
"eos_token_id": [
|
||||||
|
0
|
||||||
|
],
|
||||||
|
"pad_token_id": 1,
|
||||||
|
"transformers_version": "4.57.6"
|
||||||
|
}
|
||||||
3
model.safetensors
Normal file
3
model.safetensors
Normal file
@@ -0,0 +1,3 @@
|
|||||||
|
version https://git-lfs.github.com/spec/v1
|
||||||
|
oid sha256:911b8ebddd2d7b79a8b2b3d087bc40e7dfa44c88e2a3e8c502299df9a6afe183
|
||||||
|
size 748062408
|
||||||
36
special_tokens_map.json
Normal file
36
special_tokens_map.json
Normal file
@@ -0,0 +1,36 @@
|
|||||||
|
{
|
||||||
|
"additional_special_tokens": [
|
||||||
|
"<|im_start|>",
|
||||||
|
"<|im_end|>",
|
||||||
|
"<think>",
|
||||||
|
"</think>"
|
||||||
|
],
|
||||||
|
"bos_token": {
|
||||||
|
"content": "<|bos|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false
|
||||||
|
},
|
||||||
|
"eos_token": {
|
||||||
|
"content": "<|endoftext|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false
|
||||||
|
},
|
||||||
|
"pad_token": {
|
||||||
|
"content": "<|pad|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false
|
||||||
|
},
|
||||||
|
"unk_token": {
|
||||||
|
"content": "<|unk|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false
|
||||||
|
}
|
||||||
|
}
|
||||||
239066
tokenizer.json
Normal file
239066
tokenizer.json
Normal file
File diff suppressed because it is too large
Load Diff
82
tokenizer_config.json
Normal file
82
tokenizer_config.json
Normal file
@@ -0,0 +1,82 @@
|
|||||||
|
{
|
||||||
|
"added_tokens_decoder": {
|
||||||
|
"0": {
|
||||||
|
"content": "<|endoftext|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"1": {
|
||||||
|
"content": "<|pad|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"2": {
|
||||||
|
"content": "<|bos|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"3": {
|
||||||
|
"content": "<|unk|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"4": {
|
||||||
|
"content": "<|im_start|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"5": {
|
||||||
|
"content": "<|im_end|>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"6": {
|
||||||
|
"content": "<think>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
},
|
||||||
|
"7": {
|
||||||
|
"content": "</think>",
|
||||||
|
"lstrip": false,
|
||||||
|
"normalized": false,
|
||||||
|
"rstrip": false,
|
||||||
|
"single_word": false,
|
||||||
|
"special": true
|
||||||
|
}
|
||||||
|
},
|
||||||
|
"additional_special_tokens": [
|
||||||
|
"<|im_start|>",
|
||||||
|
"<|im_end|>",
|
||||||
|
"<think>",
|
||||||
|
"</think>"
|
||||||
|
],
|
||||||
|
"bos_token": "<|bos|>",
|
||||||
|
"clean_up_tokenization_spaces": false,
|
||||||
|
"eos_token": "<|endoftext|>",
|
||||||
|
"extra_special_tokens": {},
|
||||||
|
"model_max_length": 1000000000000000019884624838656,
|
||||||
|
"pad_token": "<|pad|>",
|
||||||
|
"tokenizer_class": "PreTrainedTokenizerFast",
|
||||||
|
"unk_token": "<|unk|>"
|
||||||
|
}
|
||||||
3
training_args.bin
Normal file
3
training_args.bin
Normal file
@@ -0,0 +1,3 @@
|
|||||||
|
version https://git-lfs.github.com/spec/v1
|
||||||
|
oid sha256:a778cd7c168bcab0405c2127e84a652ffd118a64aabbdd8d55b0f2d66c723111
|
||||||
|
size 5432
|
||||||
Reference in New Issue
Block a user