145 lines
13 KiB
Markdown
145 lines
13 KiB
Markdown
<div align="center">
|
||
<h1>
|
||
Chinese-Mistral
|
||
</h1>
|
||
</div>
|
||
|
||
## 🎉 新闻
|
||
|
||
- [2024-04-04] 发布Chinese-Mistral指令精调模型。
|
||
- [2024-03-31] 发布Chinese-Mistral基座模型。
|
||
|
||
## 🚀 介绍
|
||
|
||
随着Mistral AI公司开源其七十亿参数模型[Mistral-7B](https://huggingface.co/meta-llama/Llama-2-7b-hf)，该模型超越[Llama](https://huggingface.co/meta-llama)，成为当前最强大的开源模型之一。Mistral-7B在各类基准测试中，不仅超过了Llama2-13B，而且在推理、数学、代码生成任务中超过Llama2-34B。
|
||
然而，Mistral-7B的训练语料主要为英文文本，其中文能力较为欠缺。其次，Mistral-7B的词表不支持中文，导致其对中文的编码和解码效率较低，限制了在中文场景的应用。<br>
|
||
为了克服这一局限，清华大学地球系统科学系地球和空间信息科学实验室基于Mistral-7B进行了中文词表扩充和增量预训练，增强了Mistral-7B在中文任务上的表现，并提高了其对中文文本的编解码效率。<br>
|
||
项目地址：https://github.com/THU-EarthInformationScienceLab/Chinese-Mistral
|
||
|
||
## 📥 模型下载
|
||
|
||
本项目开源了Chinese-Mistral-7B与Chinese-Mistral-7B-instruct：
|
||
|
||
| 模型 | 下载地址 | 说明 |
|
||
|:-----------------------------:|:------------------------------------------------------------------------------:|:-------------------------------------------------------------------------------------------------------------------:|
|
||
| Chinese-Mistral-7B | [HuggingFace](https://huggingface.co/itpossible/Chinese-Mistral-7B-v0.1)<br>[wisemodel](https://wisemodel.cn/models/itpossible/Chinese-Mistral-7B-v0.1)<br>[ModelScope](https://www.modelscope.cn/models/itpossible/Chinese-Mistral-7B-v0.1) | 完整基座模型 |
|
||
| Chinese-Mistral-7B-Instruct | [HuggingFace](https://huggingface.co/itpossible/Chinese-Mistral-7B-Instruct-v0.1)<br>[wisemodel](https://wisemodel.cn/models/itpossible/Chinese-Mistral-7B-Instruct-v0.1)<br>[ModelScope](https://www.modelscope.cn/models/itpossible/Chinese-Mistral-7B-Instruct-v0.1) | 完整指令精调模型<br>中英文alpaca_gpt4进行lora微调|
|
||
|
||
## 📈 模型性能
|
||
|
||
### 模型综合能力
|
||
|
||
我们采用C-Eval、CMMLU和MMLU三个评测数据集全面评估Chinese-Mistral-7B：
|
||
|
||
- C-Eval：它是一个全面的中文基础模型评估套件。包含13948个多项选择题，涵盖52个学科和四个难度级别。它旨在评估模型在人文、社科、理工等多个学科大类上的知识和推理能力。
|
||
- CMMLU：它是一个综合性的中文评估基准。涵盖了从基础学科到高级专业水平的67个主题。它专门用于评估语言模型在中文语境下的知识和推理能力。
|
||
- MMLU：它是一个包含了57个子任务的英文评测数据集。涵盖了从初等数学、美国历史、计算机科学到法律等多个领域，难度覆盖高中水平到专家水平，有效地衡量了模型在人文、社科和理工等多个学科大类中的综合知识能力。
|
||
|
||
下表展示了开源社区较流行的中文Llama2、中文Mistral与我们发布的Chinese-Mistral-7B的评测结果。评测方式采用5-shot，采用opencompass在相同的实验条件下进行评测。
|
||
|
||
| 模型名称 | C-Eval | CMMLU | MMLU | 平均得分 |
|
||
|:-----------------------------------------------------------------------------------------------:|:-------------:|:-------------:|:------------:|:-----------------:|
|
||
| [Linly-Al/Chinese-LLaMA-2-7B-hf](https://huggingface.co/Linly-Al/Chinese-LLaMA-2-7B-hf) | 31.2 | 30.14 | 35.09 | 32.14 |
|
||
| [hfl/chinese-llama-2-7b](https://huggingface.co/hfl/chinese-llama-2-7b) | 27.4 | 33.38 | 37.25 | 32.68 |
|
||
| [Linly-Al/Chinese-LLaMA-2-13B-hf](https://huggingface.co/Linly-Al/Chinese-LLaMA-2-13B-hf) | 39.9 | 42.48 | 52.54 | 44.97 |
|
||
| [hfl/chinese-llama-2-13b](https://huggingface.co/hfl/chinese-llama-2-13b) | 41.0 | 43.25 | 52.94 | 45.73 |
|
||
| [gywy/Mistral-7B-v0.1-chinese](https://huggingface.co/gywy/Mistral-7B-v0.1-chinese) | 37.4 | 36.45 | 37.38 | 37.08 |
|
||
|[OpenBuddy/openbuddy-mistral-7b-v13-base](https://huggingface.co/OpenBuddy/openbuddy-mistral-7b-v13-base)| 44.4 | 46.32 | 57.79 | 49.50 |
|
||
| **[Chinese-Mistral-7B (本模型)](https://huggingface.co/itpossible/Chinese-Mistral-7B-v0.1)** | **47.5** | **47.52** | **58.29** | **51.10** |
|
||
|
||
由上表可知，Chinese-Mistral-7B的中文和英文通识能力不仅超过同等参数量的中文Llama2模型，而且在多项评测中优于130亿参数量的中文Llama2。同时，Chinese-Mistral-7B的评测表现高于开源社区其他同等参数量的中文Mistral。
|
||
|
||
### 中文编解码效率
|
||
|
||
我们从WuDaoCorpus2中采样训练数据，使用sentencepiece训练中文BPE词表，并人工选取部分其他优秀中文词表进行词表融合。经过严格的人工审核，最终形成的词表大小为63776。为了提高模型计算效率，我们在词表末尾添加<|sym1|>、……、<|sym96|>，使得词表大小为128的倍数，最终得到的词表大小为63872。
|
||
我们随机选取了WuDaoCorpus2_part-2021278643作为测试数据以评测分词效果。经统计，测试数据包括67013857个单词，我们用单词数量除以分词后的Token数量，计算压缩率。压缩率越大，表明分词效果越好，在中文场景的编解码效率越高。
|
||
|
||
| 模型名称 | 模型类型 | 词表大小 | Token数量 | 压缩率 |
|
||
|:-----------------------------------------------------------------------------------------------:|:-------------:|:-------------:|:------------:|:-----------------:|
|
||
| [meta-llama/Llama-2-7b-hf](https://huggingface.co/meta-llama/Llama-2-7b-hf) | Llama | 32000 | 97406876 | 0.6880 |
|
||
| [mistralai/Mistral-7B-v0.1](https://huggingface.co/mistralai/Mistral-7B-v0.1) | Mistral | 32000 | 76269008 | 0.8787 |
|
||
| [THUDM/chatglm2-6b](https://huggingface.co/THUDM/chatglm2-6b) | GLM | 64789 | 43487673 | 1.5410 |
|
||
| [Linly-Al/Chinese-LLaMA-2-13B-hf](https://huggingface.co/Linly-Al/Chinese-LLaMA-2-13B-hf) | Llama | 40076 | 65402900 | 1.0246 |
|
||
| [hfl/chinese-llama-2-13b](https://huggingface.co/hfl/chinese-llama-2-13b) | Llama | 55296 | 45763513 | 1.4644 |
|
||
| [OpenBuddy/openbuddy-mistral-7b-v13-base](https://huggingface.co/OpenBuddy/openbuddy-mistral-7b-v13-base) | Mistral | 36608 | 65329642 | 1.0256 |
|
||
|[gywy/Mistral-7B-v0.1-chinese](https://huggingface.co/gywy/Mistral-7B-v0.1-chinese)| Mistral | 48593 | 46670146 | 1.4359 |
|
||
| **[Chinese-Mistral-7B (本模型)](https://huggingface.co/itpossible/Chinese-Mistral-7B-v0.1)** | Mistral | 63872 | **43044156** | **1.5569** |
|
||
|
||
|
||
|
||
由上表可知，Chinese-Mistral-7B在可观的词表大小条件下，取得了最高的压缩率，表明其能够高效处理中文文本。
|
||
|
||
## 💻 模型推理
|
||
|
||
如下是使用Chinese-Mistral-7B进行推理的代码示例。
|
||
|
||
```python
|
||
import torch
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
|
||
device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")
|
||
|
||
model_path = "itpossible/Chinese-Mistral-7B-v0.1"
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path)
|
||
model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map=device)
|
||
|
||
text = "你是一个人工智能助手，写一段自我介绍："
|
||
inputs = tokenizer(text, return_tensors="pt").to(device)
|
||
|
||
outputs = model.generate(**inputs, max_new_tokens=300)
|
||
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
|
||
```
|
||
|
||
如下是使用Chinese-Mistral-7B-Instruct进行推理的代码示例。
|
||
```python
|
||
import torch
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
|
||
device = torch.device("cuda:0") if torch.cuda.is_available() else torch.device("cpu")
|
||
|
||
model_path = "itpossible/Chinese-Mistral-7B-Instruct-v0.1"
|
||
tokenizer = AutoTokenizer.from_pretrained(model_path)
|
||
model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, device_map=device)
|
||
|
||
text = "请为我推荐中国三座比较著名的山"
|
||
messages = [{"role": "user", "content": text}]
|
||
|
||
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(device)
|
||
outputs_id = model.generate(inputs, max_new_tokens=300, do_sample=True)
|
||
outputs = tokenizer.batch_decode(outputs_id, skip_special_tokens=True)[0]
|
||
print(outputs)
|
||
```
|
||
Chinese-Mistral-7B 与Chinese-Mistral-7B-Instruct-v0.1生成效果示例如下：
|
||
|
||
| 模型名称 | Chinese-Mistral-7B | Chinese-Mistral-7B-Instruct-v0.1 |
|
||
|--- |--- |--- |
|
||
| 用户输入 | <div style="width: 200pt">你是一个人工智能助手，写一段自我介绍： | <div style="width: 310pt">请为我推荐中国三座比较著名的山 |
|
||
| 模型输出 | <div style="width: 200pt">好的，作为一个AI助手，我必须很智能、很专业、很友好。所以，自我介绍如下：我是一个拥有海量知识的人工智能助手，能够提供高效的信息和服务。我拥有强大的自然语言处理能力，可以理解人类的语言，并提供准确的信息反馈。我专注于帮助用户解决问题，提高他们的工作和生活效率。我热爱学习，能够不断自我升级，以适应时代的发展。总之，我是一个值得信赖的助手，期待与您合作。谢谢！ | <div style="width: 310pt">中国有很多著名的山，其中三座比较著名的山是：<br><br>1. 泰山：泰山位于山东省泰安市，是中国五岳之首，海拔1545米，是中华民族的象征之一。泰山是儒家文化、道教文化和民俗文化的发源地，被誉为“天下第一山”。<br><br>2. 黄山：黄山位于安徽省黄山市，是世界文化与自然遗产，也是世界地质公园。黄山以奇松、怪石、云海、温泉四绝而闻名于世，是旅游胜地。<br><br>3. 庐山：庐山位于江西省九江市，是道教圣地之一。庐山以雄奇险峻、风景秀丽而闻名于世，有“匡庐奇秀甲天下”的美誉。庐山风景名胜区是国家级风景名胜区，也是世界自然与文化遗产。 |
|
||
|
||
## 📝 训练数据
|
||
|
||
训练数据采样于WanJuan、baike2018qa、Dolma、gutenberg-books等高质量开源数据集。我们对这些数据集进行细粒度清洗，并充分考虑训练数据集中不同类别数据的占比。
|
||
|
||
## ⚠️ 局限性
|
||
|
||
Chinese-Mistral-7B的开发旨在为开源社区提供一个性能优越的中文大语言模型。请注意，由于模型大小及训练数据规模限制，本模型仍可能生成误导性内容或者有害内容。因此，在部署任何由Chinese-Mistral系列模型驱动的应用程序之前，开发人员必须进行安全测试，对模型进行相应调整，以满足安全性需求。
|
||
|
||
## ✒️ 引用
|
||
|
||
如果您觉得本项目对您的研究有所帮助或使用了本项目的模型，请引用本项目：
|
||
|
||
```bibtex
|
||
@misc{Chinese-Mistral,
|
||
author = {Zhou, Chen and Yiqi, Bai},
|
||
title = {Chinese-Mistral: An Efficient and Effective Chinese Large Language Model},
|
||
year = {2024},
|
||
publisher = {GitHub},
|
||
journal = {GitHub repository},
|
||
howpublished = {\url{https://github.com/THU-EarthInformationScienceLab/Chinese-Mistral}}
|
||
}
|
||
```
|
||
|
||
## 结语
|
||
我们欢迎社区的支持和合作，共同推动通用大语言模型和领域大语言模型的发展。联系方式：<br>
|
||
白玉琪，清华大学地球系统科学系长聘教授，实验室负责人，yuqibai@tsinghua.edu.cn<br>
|
||
陈舟，清华大学地球系统科学系博士生，大语言模型组组长，chenz22@mails.tsinghua.edu.cn |