llama-3-8b-instruct-262k-chinese

llama-3-8b-instruct-262k-chinese基于Llama-3-8B-Instruct-262k，使用ORPO方法，在中英文偏好数据集shibing624/DPO-En-Zh-20k-Preference 上微调得到的对话模型。

模型的部署、训练等方法详见MedicalGPT的GitHub仓库：https://github.com/shibing624/MedicalGPT

Relate models

• 完整模型权重：https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese
• lora权重：https://huggingface.co/shibing624/llama-3-8b-instruct-262k-chinese-lora

Features

模型优势：

1. 支持超长context length 262k token，适合RAG
2. 支持中英文
3. 支持多轮对话，代码编码、推理能力强，英文知识充分
4. 模型推理需要显存：

Quantization	Peak Usage for Encoding 2048 Tokens	Peak Usage for Generating 8192 Tokens
FP16/BF16	18.66GB	24.58GB
Int4	9.21GB	14.62GB

缺点：

1. model size只有8B，知识类问答幻觉明显
2. 中文知识欠缺，容易幻觉，特别是中文古文知识，属于llama类模型通病

如何使用

import transformers
import torch

model_id = "shibing624/llama-3-8b-instruct-262k-chinese"
pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.float16},
    device="cuda",
)

messages = [{"role": "system", "content": ""}]
messages.append({"role": "user", "content": "介绍一下机器学习"})
prompt = pipeline.tokenizer.apply_chat_template(
        messages, 
        tokenize=False, 
        add_generation_prompt=True
    )
terminators = [
        pipeline.tokenizer.eos_token_id,
        pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
    ]
outputs = pipeline(
    prompt,
    max_new_tokens=512,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9
)
content = outputs[0]["generated_text"][len(prompt):]
print(content)

result:

机器学习（Machine Learning）是一种基于计算机算法的自动数据分析技术，用于从数据中学习并预测未来的结果。它是人工智能（AI）和数据挖掘（Data Mining）的子领域，旨在通过训练和调整算法来发现数据中的模式、关系和规律。

机器学习算法可以分为监督学习、无监督学习和半监督学习三类：

1. 监督学习（Supervised Learning）：在这种类型的学习中，算法被提供带有标签的数据集，用于训练。算法学习如何将输入数据映射到输出数据，并在新数据上进行预测。常见的监督学习算法包括逻辑回归、决策树、支持向量机（SVM）、随机森林和神经网络。
2. 无监督学习（Unsupervised Learning）：在这种类型的学习中，算法没有标签数据。算法学习数据中的模式、结构和关系，并可能发现新的数据集群或特征。常见的无监督学习算法包括聚类、主成分分析（PCA）、独立成分分析（ICA）和高维度数据降维。
3. 半监督学习（Semi-supervised Learning）：在这种类型的学习中，算法被提供部分带有标签的数据集。算法学习如何将输入数据映射到输出数据，并在新数据上进行预测。半监督学习算法结合了监督学习和无监督学习的优点，常见的半监督学习算法包括自我标注（Self-Labeling）和基于图的半监督学习（Graph-based Semi-supervised Learning）。

机器学习的应用广泛，包括自然语言处理、计算机视觉、推荐系统、人工智能和自动驾驶等领域。它的优势包括：

1. 自动化：机器学习算法可以自动从数据中发现模式和关系，无需人为干预。
2. 高效性：机器学习算法可以处理大量数据，并且可以在不需要人为干预的情况下进行预测。
3. 适应性：机器学习算法可以根据数据集的变化和更新进行调整。
4. 精准性：机器学习算法可以通过训练和测试来提高预测的准确性。

train detail

train loss:

eval loss:

About Llama-3-8B-Instruct-262k

Gradient incorporates your data to deploy autonomous assistants that power critical operations across your business. To learn more or collaborate on a custom model.

This model extends LLama-3 8B's context length from 8k to -> 160K, developed by Gradient, sponsored by compute from Crusoe Energy. It demonstrates that SOTA LLMs can learn to operate on long context with minimal training (< 200M tokens) by appropriately adjusting RoPE theta.

Approach:

• meta-llama/Meta-Llama-3-8B-Instruct as the base
• NTK-aware interpolation [1] to initialize an optimal schedule for RoPE theta, followed by a new data-driven RoPE theta optimization technique
• Progressive training on increasing context lengths similar to the Large World Model [2] (See details below)

Infra:

We build on top of the EasyContext Blockwise RingAttention library [3] to scalably and efficiently train on contexts up to 262144 tokens on Crusoe Energy high performance L40S cluster.

Data:

For training data, we generate long contexts by augmenting SlimPajama.

Progressive Training Details:

Parameter	65K	262K
Initialize From	LLaMA-3-8B-Inst	65K
Sequence Length	2^16	2^18
RoPE theta	15.3 M	207.1 M
Batch Size (Tokens / Step)	2.097 M	4.192 M
Steps	30	24
Total Tokens	63 M	101 M
Learning Rate	2.00E-05	2.00E-05
# GPUs	32	32
GPU Type	NVIDIA L40S	NVIDIA L40S