Fine-tuned LLM-jp Model for ELYZA Tasks

このモデルはLLM-jp-13bをベースに、ichikara-instructionデータセットでファインチューニングを行ったモデルです。

Model Details

Base Model: LLM-jp-3-13b
Training Data: ichikara-instruction dataset
Purpose: ELYZA-tasks-100-TVタスクの推論

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("llm-jp-3-13b-finetune202412141913")
tokenizer = AutoTokenizer.from_pretrained("llm-jp-3-13b-finetune202412141913")

ELYZA-tasks-100-TV推論用コード以下のコードを使用して、ELYZA-tasks-100-TVの出力を生成できます。生成されたjsonlファイルは課題提出用フォーマットに準拠しています。

必要なライブラリのインストール !pip install -U bitsandbytes !pip install -U transformers !pip install -U accelerate !pip install -U datasets !pip install -U peft !pip install ipywidgets --upgrade

モデルの読み込みと推論の実行 from transformers import ( AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, ) from peft import PeftModel import torch from tqdm import tqdm import json

Hugging Faceトークンの設定

from google.colab import userdata HF_TOKEN = userdata.get('HF_TOKEN')

モデルIDの設定

base_model_id = "llm-jp/llm-jp-3-13b" adapter_id = "ike3don3/llm-jp-3-13b-finetune202412141913"

量子化の設定

bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, )

モデルとトークナイザーの読み込み

model = AutoModelForCausalLM.from_pretrained( base_model_id, quantization_config=bnb_config, device_map="auto", token=HF_TOKEN ) tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token=HF_TOKEN)

アダプターの統合

model = PeftModel.from_pretrained(model, adapter_id, token=HF_TOKEN)

タスクデータの読み込み

datasets = [] with open("./elyza-tasks-100-TV_0.jsonl", "r") as f: item = "" for line in f: line = line.strip() item += line if item.endswith("}"): datasets.append(json.loads(item)) item = ""

推論の実行

results = [] for data in tqdm(datasets): input = data["input"] prompt = f"""### 指示 {input} ### 回答 """ tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device) attention_mask = torch.ones_like(tokenized_input)

with torch.no_grad():
    outputs = model.generate(
        tokenized_input,
        attention_mask=attention_mask,
        max_new_tokens=100,
        do_sample=False,
        repetition_penalty=1.2,
        pad_token_id=tokenizer.eos_token_id
    )[0]
output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

results.append({"task_id": data["task_id"], "input": input, "output": output})

結果の保存

import re jsonl_id = re.sub(".*/", "", adapter_id) with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False) f.write('\n')

ライセンスこのモデルは、学習データのライセンスに従いCC-BY-NC-SAライセンスの下で提供されています。商用利用はできませんのでご注意ください。

引用このモデルの学習に使用したデータセットを引用する場合は、以下の文献を参照してください：関根聡, 安藤まや, 後藤美知子, 鈴木久美, 河原大輔, 井之上直也, 乾健太郎. ichikara-instruction: LLMのための日本語インストラクションデータの構築. 言語処理学会第30回年次大会(2024)

ike3don3
/

llm-jp-3-13b-finetune202412141913