92 lines
3.3 KiB
Markdown
92 lines
3.3 KiB
Markdown
|
---
|
|||
|
|
license: apache-2.0
|
|||
|
|
datasets:
|
|||
|
|
- BelleGroup/train_1M_CN
|
|||
|
|
- BAAI/COIG
|
|||
|
|
- silk-road/alpaca-data-gpt4-chinese
|
|||
|
|
language:
|
|||
|
|
- zh
|
|||
|
|
tags:
|
|||
|
|
- gogpt-7b
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# GoGPT
|
|||
|
|
|
|||
|
|
> GoGPT:ICT中英文底座增强大模型,基于Llama/Llama 2训练的底座大模型,参数规模包括70亿参数、130亿参数
|
|||
|
|
|
|||
|
|
<p align="center">
|
|||
|
|
<br>
|
|||
|
|
<img src="resources/assets/gogpt-banner-tou.png" width="600"/>
|
|||
|
|
<br>
|
|||
|
|
</p>
|
|||
|
|
<p align="center">
|
|||
|
|
<img alt="GitHub" src="https://img.shields.io/github/license/ymcui/Chinese-LLaMA-Alpaca.svg?color=blue&style=flat-square">
|
|||
|
|
<img alt="GitHub top language" src="https://img.shields.io/github/languages/top/ymcui/Chinese-LLaMA-Alpaca">
|
|||
|
|
</p>
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 模型部署
|
|||
|
|
|
|||
|
|
🤗Huggingface上提供了GoGPT权重，目前开放了gogpt-7b和gogpt2-7b权重
|
|||
|
|
|
|||
|
|
| 模型名称 | 基座模型 | 模型大小 | 下载地址 |
|
|||
|
|
|-------------------------------------------------------------|-----------|------|-------------------------------------------------|
|
|||
|
|
| [golaxy/gogpt-7b](https://huggingface.co/golaxy/gogpt-7b) | Llama-7b | 7B | [模型下载](https://huggingface.co/golaxy/gogpt-7b) |
|
|||
|
|
| [golaxy/gogpt2-7b](https://huggingface.co/golaxy/gogpt2-7b) | Llama2-7b | 7B | [模型下载](https://huggingface.co/golaxy/gogpt2-7b) |
|
|||
|
|
|
|||
|
|
## 训练细节
|
|||
|
|
|
|||
|
|
### step1：训练分词器
|
|||
|
|
|
|||
|
|
[🐱怎么从零到一训练一个LLM分词器](https://github.com/yanqiangmiffy/how-to-train-tokenizer)
|
|||
|
|
|
|||
|
|
```text
|
|||
|
|
├── data
|
|||
|
|
│ └── corpus.txt 训练语料
|
|||
|
|
├── llama
|
|||
|
|
│ ├── tokenizer_checklist.chk
|
|||
|
|
│ └── tokenizer.model
|
|||
|
|
├── merged_tokenizer_hf 合并结果 hf格式
|
|||
|
|
│ ├── special_tokens_map.json
|
|||
|
|
│ ├── tokenizer_config.json
|
|||
|
|
│ └── tokenizer.model
|
|||
|
|
├── merged_tokenizer_sp
|
|||
|
|
│ └── open_llama.model #
|
|||
|
|
├── merge_tokenizer
|
|||
|
|
│ └── tokenizer.model
|
|||
|
|
├── open_llama.model 训练的sp模型
|
|||
|
|
├── open_llama.vocab 训练的sp词汇表
|
|||
|
|
├── README.md
|
|||
|
|
├── step0_step0_process_text.py 基于多分数据集准备训练语料
|
|||
|
|
├── step1_make_corpus.py 基于中文Wikipedia数据准备训练语料
|
|||
|
|
├── step2_train_tokenzier.py 训练分词器
|
|||
|
|
├── step3_tokenzier_segment.py 测试训练后的模型，包括编码和解码测试样例
|
|||
|
|
└── step4_merge_tokenizers.py 与原版llama的分词器进行合并，得到hf格式的tokenizer
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### step2：二次预训练
|
|||
|
|
|
|||
|
|
> 在中文预训练语料上对LLaMA进行增量预训练、继续预训练
|
|||
|
|
|
|||
|
|
### step3: 有监督微调
|
|||
|
|
|
|||
|
|
- belle数据：120k数据 v1
|
|||
|
|
- stanford_alapca：52k数据 v2
|
|||
|
|
- [sharegpt](data%2Ffinetune%2Fsharegpt):90k数据
|
|||
|
|
|
|||
|
|
### step4: 强化学习
|
|||
|
|
|
|||
|
|
> TODO
|
|||
|
|
|
|||
|
|
## 免责声明
|
|||
|
|
|
|||
|
|
本项目相关资源仅供学术研究之用，严禁用于商业用途。 使用涉及第三方代码的部分时，请严格遵循相应的开源协议。
|
|||
|
|
|
|||
|
|
模型生成的内容受模型计算、随机性和量化精度损失等因素影响，本项目不对其准确性作出保证。
|
|||
|
|
|
|||
|
|
对于模型输出的任何内容，本项目不承担任何法律责任，亦不对因使用相关资源和输出结果而可能产生的任何损失承担责任。
|
|||
|
|
|
|||
|
|
## 研究与开发团队
|
|||
|
|
|
|||
|
|
本项目由网络数据科学与技术重点实验室GoGPT团队完成，团队指导老师为郭嘉丰研究员。
|