L-MChat-7b

L-MChat-7b 项目介绍

项目背景

L-MChat-7b 是一个创新的语言模型，结合了两个不同模型的优势，分别是 Nexusflow/Starling-LM-7B-beta 和 FuseAI/FuseChat-7B-VaRM。这一合并过程通过使用 LazyMergekit 工具实现，旨在提升模型的文本生成能力。

模型配置

L-MChat-7b 模型通过以下配置实现合并：

• 模型来源：合并的基础模型为 FuseAI/FuseChat-7B-VaRM，并结合了 Nexusflow/Starling-LM-7B-beta 的部分结构。
• 层范围：两个模型的层结构都涉及 0 到 32 层。
• 合并方法：使用了 slerp（球面线性插值）技术。
• 参数配置：对于不同的模块如自注意力层（self_attn）和 MLP 层，设定了特定的参数值调整。
• 数据类型：使用 bfloat16 数据类型以优化计算性能。

使用方法

使用 L-MChat-7b 模型非常简单，只需执行以下 Python 代码：

!pip install -qU transformers accelerate

from transformers import AutoTokenizer
import transformers
import torch

model = "Artples/M-LChat-7b"
messages = [{"role": "user", "content": "What is a large language model?"}]

tokenizer = AutoTokenizer.from_pretrained(model)
prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    torch_dtype=torch.float16,
    device_map="auto",
)

outputs = pipeline(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95)
print(outputs[0]["generated_text"])

通过此脚本，用户可以生成高质量的文本输出。

评估结果

L-MChat-7b 在多个基准测试中展现了优异的性能，包括：

• AI2 Reasoning Challenge (25-Shot)：65.61 正确率
• HellaSwag (10-Shot)：84.59 正确率
• MMLU (5-Shot)：65.44 正确率
• TruthfulQA (0-shot)：50.94 多选题准确率

此外，在其他多个数据集上的表现也纳入评估，如 Winogrande、GSM8k 等，整体平均分为 69.57。

许可证

L-MChat-7b 采用 Apache 2.0 许可证，允许用户在多种应用中使用此模型，但不得直接与 OpenAI竞争。

总结

L-MChat-7b 通过结合不同模型的强项，为用户提供了一种高效且可靠的文本生成工具。在不同的评估指标中均取得了较为满意的成绩，适合用于多种自然语言处理任务。更多详细评估结果可以参考 Open LLM Leaderboard。