源代码：https://hugging-face.cn/yentinglin/Llama-3-Taiwan-8B-Instruct

🚀 演示网站

在twllm.com上交互式地尝试 Llama-3-Taiwan

⚔️ 聊天机器人竞技场

参与激动人心的聊天机器人竞技场，与其他聊天机器人竞争！

🚀 我们很兴奋地推出 Llama-3-Taiwan-70B！Llama-3-Taiwan-70B 是一个经过在大量台语和英语数据集上微调的 70B 参数模型，使用 Llama-3 架构构建。它在各种传统中文 NLP 基准测试中展现出最先进的性能。

该模型使用 NVIDIA NeMo™ 框架经过训练，该框架由 NVIDIA DGX H100 系统构建的 NVIDIA Taipei-1 构建。

训练Llama-3-Taiwan-70B所需的计算和数据得到了以下机构的慷慨赞助：长庚纪念医院（链接）、长春集团（链接）、Legalsign.ai（链接）、NVIDIA（链接）、鸿海精密（链接）、TechOrange（链接）和南亚电路制造（链接），赞助机构按字母顺序排列。

在此，我们感谢数据提供方、团队成员和顾问在模型开发过程中的贡献，包括shasha77（链接）提供的高质量的YouTube脚本和研究材料，台湾AI实验室（链接）提供的本地媒体内容，Ubitus K.K.（链接）提供的游戏内容，陈云绫教授的指导和咨询，陈维琳负责我们的预训练数据管道，林子涵负责合成数据的生成，高成胜提高我们的合成数据质量，以及陈炯杰出于清理指令遵循数据。

模型摘要

Llama-3-Taiwan-70B是一个针对繁体中文和英语用户超调的大规模语言模型。它在语言理解、生成、推理和多轮对话方面具有强大能力。主要特点包括：

• 70亿参数
  
• 语言：繁体中文（zh-tw）、英语（en）
  
• 在涵盖一般知识以及法律、制造、医疗和电子领域工业知识的优质繁体中文和英文语料库上进行超调
  
• 8K上下文长度
  
• 在Llama-3许可证下释放的开源模型
  

训练细节

• 训练框架：NVIDIA NeMo（链接）、NVIDIA NeMo Megatron（链接）
  
• 推理框架：NVIDIA TensorRT-LLM（链接）
  
• 基准模型：Llama-3 70B（链接）
  
• 硬件：台北1的NVIDIA DGX H100（链接）
  
• 上下文长度：8K标记（128k版本）
  
• 每步2M标记批大小
  

评估

查看Open TW LLM排行榜以获取完整和更新的列表。

默认情况下，数字为0-shot。

评估实现

^从原始数据集中选取最接近的匹配数字。

海中寻针评估

“海中寻针”评估测试模型在大量文本中定位和回忆嵌套的重要信息的能力，使用诸葛亮所著的经典中文文本《出师表》。

运行评估，请使用脚本。

台湾MT-Bench评分

• 平均分：7.5375
  
• 最高分：10
  
• 最低分：1
  
• 中位数：9.0
  
• 标准差：3.0349783771882133
  
• 总分：160
  
• 模型响应
  
• GPT-4 评估
  
• 从 mtkresearch/TCEval 分支的代码，并修复了错误
  

用例

Llama-3-Taiwan-70B 可应用于多种繁体中文和英文的自然语言处理任务，包括

System: You are an AI assistant called Twllm, created by TAME (TAiwan Mixture of Expert) project.

User: 嗨，你好！

Assistant: 你好！我今天可以如何協助你？

User: 就想聊天而已....

Assistant: 當然，我很樂意和你聊天！有什麼特別想談論的嗎？

System: You are an AI assistant called Twllm, created by TAME (TAiwan Mixture of Expert) project.

User: 明天台大天氣如何？

Assistant: 根據天氣預報，明天台大天氣為陣雨。低溫 24°C。10 到 15 公里/小時 的 東 風 。降雨機率為 40%。

System: You are an AI assistant called Twllm, created by TAME (TAiwan Mixture of Expert) project.

User: 您是電影評論分析師，負責情緒分析。
分析每個被評論的句子，評估句子中每個字和標點符號的重要性，
並且將結果使用 tuple 的結構列出。
tuple 值的範圍介於 -1 (負向) 到 1 (正向) 之間，
然後，將評論分類為正向 (1) 或負向 (-1)。
這些需要被評論的句子，包含在  標籤中間。

輸出範例:
[(<單字或標點符號>, ), ...]

 根據外媒報導，宏都拉斯在去年3月與台灣斷交，並轉往與中國建交之後，卻遲遲等不到中國的金援，談好要進口宏都拉斯的白蝦也拖延許久，甚至還將白蝦價格殺價至過往與台灣交易的半價，再加上墨西哥同時也中斷了與宏國的白蝦貿易，對當地蝦農可說是雪上加霜。 
  

Assistant: [('根據', 0.2), ('外媒', 0.1), ('報導', -0.1), (',', 0.05), ('宏都拉斯', -0.3), ('在去年3月與台灣斷交， ', -0.5), ('並轉往與中國建交之後， ', -0.4), ('卻遲遲等不到中國的金援， ', -1),
('談好要進口宏都拉斯的白蝦也拖延許久， ', -1),
(',甚至還將白蝦價格殺價至過往與台灣交易的半價，再加上墨西哥同時也中斷了與宏國的白蝦貿易，對當地蝦農可說是雪上加霜。 ',-1)]
-1

开始使用

注意事项：系统消息应始终设置。

Hugging Face Transformers 库

您可以使用 Hugging Face Transformers 库与 Llama-3-Taiwan-70B 结合使用

import torch
from transformers import pipeline, StoppingCriteria

# Define a custom stopping criteria class
class EosListStoppingCriteria(StoppingCriteria):
    def __init__(self, eos_sequence=[128256]):
        self.eos_sequence = eos_sequence

    def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor, **kwargs) -> bool:
        last_ids = input_ids[:, -len(self.eos_sequence):].tolist()
        return self.eos_sequence in last_ids

# Initialize the model with automatic device mapping
llm = pipeline("text-generation", model="yentinglin/Llama-3-Taiwan-70B-Instruct-rc1", device_map="auto")
tokenizer = llm.tokenizer

# Define a conversation example
chat = [
    {"role": "system", "content": "You are an AI assistant called Twllm, created by TAME (TAiwan Mixture of Expert) project."},
    {"role": "user", "content": "你好，請問你可以完成什麼任務？"},
    {"role": "assistant", "content": "你好，我可以幫助您解決各種問題、提供資訊並協助完成多種任務。例如：回答技術問題、提供建議、翻譯文字、尋找資料或協助您安排行程等。請告訴我如何能幫助您。"},
    {"role": "user", "content": "太棒了！"}
]
flatten_chat_for_generation = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)
"""
<|im_start|>user
You are an AI assistant called Twllm, created by TAME (TAiwan Mixture of Expert) project.<|im_end|>
<|im_start|>user
你好，請問你可以完成什麼任務？<|im_end|>
<|im_start|>assistant
你好，我可以幫助您解決各種問題、提供資訊和協助您完成許多不同的任務。例如：回答技術問題、提供建議、翻譯文字、尋找資料或協助您安排行程等。請告訴我如何能幫助您。<|im_end|>
<|im_start|>user
太棒了！<|im_end|>
<|im_start|>assistant

"""

# Generate a response using the custom stopping criteria
output = llm(flatten_chat_for_generation, return_full_text=False, max_new_tokens=128, top_p=0.9, temperature=0.7, stopping_criteria=[EosListStoppingCriteria([tokenizer.eos_token_id])])
print(output[0]['generated_text'])
"謝謝！很高興能夠為您服務。如果有任何其他需要協助的地方，請隨時與我聯繫。我會盡最大努力為您提供所需的支援。"

vLLM

启动服务器

export NUM_GPUS=4
export PORT=8000

docker run \
  -e HF_TOKEN=$HF_TOKEN \
  --gpus '"device=0,1,2,3"' \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p "${PORT}:8000" \
  --ipc=host \
  vllm/vllm-openai:v0.4.0.post1 \
  --model "yentinglin/Llama-3-Taiwan-70B-Instruct-rc1" \
  -tp "${NUM_GPUS}"

示例客户端代码，或者您可以使用任何与 OpenAI-API 兼容的客户端

# pip install "openai>=1.0.0"
from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "https://:8000/v1"

client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base,
)

chat_response = client.chat.completions.create(
    model="yentinglin/Llama-3-Taiwan-70B-Instruct-rc1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a joke."},
    ]
)
print("Chat response:", chat_response)

享受探索 Llama-3-Taiwan-70B 的能力！我们期待看到您使用这个强大的开源模型能创造什么。如果您有任何问题或反馈，请告诉我们。

贡献者

• 陈允甦（Vivian）教授，她在整个项目中的指导和咨询。
  
• 陈维林，领导我们的预训练数据管道。
  
• 林子涵，进行合成数据生成。
  
• 高长胜，提高我们的合成数据质量。
  
• 陈康杰，清理指令遵循数据。
  
• 陈旻益和 徐韶鹏，收集化学工程数据和基准。
  
• 马重耀，郭子建立和曾凯均，收集制造业和电气工程数据和基准，以及项目管理
  

引用

@article{DBLP:journals/corr/abs-2311-17487,
  author       = {Yen{-}Ting Lin and
                  Yun{-}Nung Chen},
  title        = {Taiwan {LLM:} Bridging the Linguistic Divide with a Culturally Aligned
                  Language Model},
  journal      = {CoRR},
  volume       = {abs/2311.17487},
  year         = {2023},
  url          = {https://doi.org/10.48550/arXiv.2311.17487},
  doi          = {10.48550/ARXIV.2311.17487},
  eprinttype    = {arXiv},
  eprint       = {2311.17487},
  timestamp    = {Tue, 05 Dec 2023 14:40:42 +0100},
  biburl       = {https://dblp.org/rec/journals/corr/abs-2311-17487.bib},
  bibsource    = {dblp computer science bibliography, https://dblp.org}
}
@article{DBLP:journals/corr/abs-2403-20180,
  author       = {Po{-}Heng Chen and
                  Sijia Cheng and
                  Wei{-}Lin Chen and
                  Yen{-}Ting Lin and
                  Yun{-}Nung Chen},
  title        = {Measuring Taiwanese Mandarin Language Understanding},
  journal      = {CoRR},
  volume       = {abs/2403.20180},
  year         = {2024},
  url          = {https://doi.org/10.48550/arXiv.2403.20180},
  doi          = {10.48550/ARXIV.2403.20180},
  eprinttype    = {arXiv},
  eprint       = {2403.20180},
  timestamp    = {Wed, 10 Apr 2024 17:37:45 +0200},
  biburl       = {https://dblp.org/rec/journals/corr/abs-2403-20180.bib},
  bibsource    = {dblp computer science bibliography, https://dblp.org}
}