活字通用大模型学习资源汇总 - 中文NLP领域的革新性技术

活字通用大模型简介

活字通用大模型是由哈尔滨工业大学社会计算与信息检索研究中心(HIT-SCIR)开发的一系列中文自然语言处理大模型。其最新版本活字3.0是一个稀疏混合专家模型(SMoE),支持32K上下文,具有丰富的中英文知识和强大的数学推理、代码生成能力。

模型版本与下载

活字大模型目前有以下几个主要版本:

活字3.0: 最新版本,基于Chinese-Mixtral-8x7B微调得到
活字2.0: 在活字1.0基础上通过RLHF优化
活字1.0: 在Bloom模型基础上进行指令微调

各版本模型下载链接:

使用教程

基本使用

活字3.0采用ChatML格式的prompt模板,基本使用示例如下:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "HIT-SCIR/huozi3"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    attn_implementation="flash_attention_2",
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

text = """<|beginofutterance|>系统
你是一个智能助手<|endofutterance|>
<|beginofutterance|>用户
请你用python写一段快速排序的代码<|endofutterance|>
<|beginofutterance|>助手
"""

inputs = tokenizer(text, return_tensors="pt").to(0)

outputs = model.generate(
    **inputs,
    eos_token_id=57001,
    temperature=0.8,
    top_p=0.9,
    max_new_tokens=2048,
)
print(tokenizer.decode(outputs[0], skip_special_tokens=False))