106 lines
4.8 KiB
Markdown
106 lines
4.8 KiB
Markdown
---
|
||
pipeline_tag: text-generation
|
||
license: other
|
||
inference: false
|
||
---
|
||
|
||
# Tongyi-Finance-14B
|
||
|
||
## 介绍 (Introduction)
|
||
|
||
**通义金融-14B**（**Tongyi-Finance-14B**）是针对对金融行业推出的大语言模型，基于通义千问基础模型进行行业语料增量学习，强化金融领域知识和场景应用能力，覆盖金融知识问答、文本分类、信息抽取、文本创作、阅读理解、逻辑推理、多模态、Coding等能力象限。
|
||
|
||
通义金融-14B（Tongyi-Finance-14B）有以下特点：
|
||
|
||
1. **行业语料增量学习**：使用200B高质量金融行业语料进行增量学习，并进行金融行业词表扩展，覆盖丰富的数据类型，支持更大上下文（16k）输入和完整的语义表达。
|
||
2. **行业能力强化**：自研SFT质量&多样性分析工具，筛选高质量SFT数据，解决大语言模型的alignment问题。
|
||
3. **行业后链路优化**：借助multi-agent框架，实现知识库增强和工具API调用。
|
||
|
||
<br>
|
||
|
||
## 要求（Requirements）和 依赖项 (Dependency)
|
||
* python 3.8及以上版本
|
||
* pytorch 1.12及以上版本，推荐2.0及以上版本
|
||
* 建议使用CUDA 11.4及以上（GPU用户、flash-attention用户等需考虑此选项）
|
||
<br>
|
||
请确保满足上述要求，再执行以下pip命令安装依赖库
|
||
|
||
```bash
|
||
pip install transformers_stream_generator==0.0.4
|
||
pip install modelscope>=1.9.0
|
||
pip install transformers>=4.32.0
|
||
```
|
||
|
||
另外，推荐安装`flash-attention`库，以实现更高的效率和更低的显存占用。
|
||
|
||
```bash
|
||
git clone -b v1.0.8 https://github.com/Dao-AILab/flash-attention
|
||
cd flash-attention && pip install .
|
||
# 下方安装可选，安装可能比较缓慢。
|
||
# Below are optional. Installing them might be slow.
|
||
# pip install csrc/layer_norm
|
||
# pip install csrc/rotary
|
||
```
|
||
<br>
|
||
|
||
更详细的要求和依赖项内容请参考基座模型[通义千问-14B](https://modelscope.cn/models/qwen/Qwen-14B)仓库。
|
||
|
||
## 快速使用（Quickstart）
|
||
|
||
您可以通过以下代码轻松调用：
|
||
|
||
```python
|
||
from modelscope import AutoModelForCausalLM, AutoTokenizer, snapshot_download
|
||
from modelscope import GenerationConfig
|
||
|
||
model_dir = snapshot_download('TongyiFinance/Tongyi-Finance-14B')
|
||
|
||
# Note: The default behavior now has injection attack prevention off.
|
||
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
|
||
|
||
# use bf16
|
||
# model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="cuda:0", trust_remote_code=True, bf16=True).eval()
|
||
# use cpu only
|
||
# model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="cpu", trust_remote_code=True).eval()
|
||
model = AutoModelForCausalLM.from_pretrained(model_dir, device_map="cuda:0", trust_remote_code=True).eval()
|
||
# 模型加载指定device_map='cuda:0'，更改成device_map='auto'会使用所有可用显卡
|
||
|
||
# Specify hyperparameters for generation
|
||
model.generation_config = GenerationConfig.from_pretrained(model_dir, trust_remote_code=True)
|
||
|
||
inputs = tokenizer('市盈率是最常用来评估股价水平是否合理的指标之一，是指', return_tensors='pt')
|
||
inputs = inputs.to(model.device)
|
||
pred = model.generate(**inputs)
|
||
print(tokenizer.decode(pred.cpu()[0], skip_special_tokens=True))
|
||
# 市盈率是最常用来评估股价水平是否合理的指标之一，是指股票价格与每股盈利的比率。...
|
||
```
|
||
|
||
<br>
|
||
|
||
## 模型细节 (Model)
|
||
|
||
通义金融-14B模型规模基本情况如下所示：
|
||
|
||
| Hyperparameter | Value |
|
||
|:----------------|:-------|
|
||
| n_layers | 40 |
|
||
| n_heads | 40 |
|
||
| d_model | 5120 |
|
||
| vocab size | 154112 |
|
||
| sequence length | 16384 |
|
||
|
||
在位置编码、FFN激活函数和normalization的实现方式上，我们也采用了目前最流行的做法，
|
||
即RoPE相对位置编码、SwiGLU激活函数、RMSNorm（可选安装flash-attention加速）。
|
||
|
||
在分词器方面，相比目前主流开源模型以中英词表为主，Tongyi-Finance-14B在Qwen-14B扩展了金融行业词汇，词表大小15万。 该词表在GPT-4使用的BPE词表`cl100k_base`基础上，对中文、多语言进行了优化，在对中、英、代码数据的高效编解码的基础上，对部分多语言更加友好，方便用户在不扩展词表的情况下对部分语种进行能力增强。
|
||
词表对数字按单个数字位切分。调用较为高效的[tiktoken分词库](https://github.com/openai/tiktoken)进行分词。
|
||
|
||
<br>
|
||
|
||
## 使用协议（License Agreement）
|
||
|
||
我们的代码和模型权重对学术研究完全开放，并支持商用。请查看[LICENSE](https://modelscope.cn/models/TongyiFinance/Tongyi-Finance-14B/file/view/master/LICENSE.md)了解具体的开源协议细节。
|
||
|
||
如需商用，请填写[问卷](https://dashscope.console.aliyun.com/openModelApply/Tongyi-Finance-14B)申请。如果想给我们的研发团队和产品团队留言，请通过邮件（tongyifinance@gmail.com）联系我们。
|
||
|