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

🚀 演示网站

在 twllm.com 交互式尝试 Llama-3-Taiwan

⚔️ 聊天机器人竞技场

参加令人兴奋的 聊天机器人竞技场 ，与其他聊天机器人竞技！

🚀 我們興奮地推出 Llama-3-Taiwan-70B！Llama-3-Taiwan-70B 是一個在大量傳統簡體中文和英文數據上使用 Llama-3 架構微調的 70B 個參數模型。它在各種傳統簡體中文 NLP 基準測試中展示出最先進的性能。

此模型使用 NVIDIA NeMo™ 框架 在使用 NVIDIA DGX H100 系統構建的 NVIDIA Taipei-1 上進行訓練。

训练 Llama-3-Taiwan-70B 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）、和硕集团（链接）、TechOrange（链接）、Unimicron（链接），按字母顺序排列。

我们衷心感谢以下人员对我们的数据提供者、团队成员和顾问在本模型开发过程中的贡献，包括：shasha77提供的高清YouTube剧本和研究资料、台湾AI实验室提供当地媒体报道内容、Ubitus K.K.（链接）提供的游戏内容、陈云霓教授（Vivian）的指导和建议、陈韦林负责养老金数据通道、林子桓进行合成数据生成、高昇生优化我们的合成数据质量、陈康杰清洗指令遵循数据。

模型摘要

Llama-3-Taiwan-70B 是一个针对繁体中文和英语用户进行微调的大型语言模型，具有强大的语言理解、生成、推理和多轮对话能力。主要特点包括：

• 70B 个参数
  
• 语言：繁体中文（zh-tw）、英语（en）
  
• 在包含法律、制造、医疗和电子领域的工业知识以及一般知识的优质繁体中文和英语语料库上进行微调
  
• 8K 实例长度
  
• 以Llama-3许可下发布开源模型
  

训练详情

• 训练框架：NVIDIA NeMo（链接）、NVIDIA NeMo Megatron（链接）
  
• 推理框架：NVIDIA TensorRT-LLM（链接）
  
• 基础模型：Llama-3 70B（链接）
  
• 硬件：在台北-1上的NVIDIA DGX H100（链接）
  
• 实例长度：8K个token（链接）
  
• 批次大小：每步2M个token
  

评估

查看Open TW LLM 排名板获取全面且更新的列表。

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。

针在纤维中的评估

“针在纤维中出师表”的评估测试了模型在大量文本中定位和回忆重要信息的能力，使用的是诸葛亮创作的经典中文文本《出师表》。

要运行评估，请使用脚本。

翻译基准 TW MT-Bench 分数

• 平均分：7.5375
  
• 最高分：10
  
• 最低分：1
  
• 中位数得分：9.0
  
• 标准差：3.0349783771882133
  
• 成绩总数：160
  
• 模型响应
  
• GPT-4评估
  
• 从mtkresearch/TCEval代码分支，包含错误修复
  

用例

Llama-3-Taiwan-70B可以应用于多种繁体中文和英文的自然语言处理任务中，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：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一起使用

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！我们期待看到您用这个强大的开源模型创作出什么。如果您有任何疑问或反馈，请告诉我们。

贡献

• 陈宇辰教授，在整个项目中的指导和咨询。
  
• 陈为琳，领导我们的预训练数据管道。
  
• 林子含，进行合成数据生成。
  
• 高正升，增强我们的合成数据质量。
  
• 陈康杰，清洗跟随指令数据。
  
• 陈敏宜和许绍恒，收集化学工程数据和基准。
  
• 马钟尧、郭君瀚和张凯均，收集制造和电子工程数据、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}
}