bagel

bagel

综合数据源与多样化技术的大语言模型训练框架

Bagel是一个综合性大语言模型训练框架,融合多种数据源和先进技术。该项目利用多样化数据集进行监督微调(SFT)和直接偏好优化(DPO),包括指令、对话和纯文本数据。Bagel采用vicuna、llama-2、alpaca和chat-ml等多种提示格式,旨在提升模型泛化能力。通过SFT和DPO两阶段训练,Bagel致力于打造功能完善、性能优异的语言模型。

Bagel数据集微调关键词选择DPOGithub开源项目

一个百吉饼,包罗万象

这个项目的名字是无耻地从《瞬息全宇宙》中偷来的。

百吉饼

数据选择

过程的第一步是创建一个数据集。 在这个案例中,我们实际上是创建一个复合数据集,包括监督微调数据(SFT)和直接偏好优化(DPO)数据。

所有指令数据,即不是纯文本(如古腾堡计划和Cinematika中的项目)或DPO的数据,都被转换成ShareGPT格式,以便更容易处理。

有关每个数据源的完整实现,请参见bagel/data_sources/*.py中的相应代码。

通过创建指令/文本的uuid v5来进行去重,然后只添加之前没有见过的项目(数据集按照我分配的置信度分数顺序加载)。 这意味着如果一个指令在置信度为4的数据源"Foo"中出现,同时也在置信度为2的数据源"Bar"中出现,那么只会采用"Foo"中的条目。

SFT数据源

只使用训练集,并在最后进行余弦相似度去污染,作为对常见基准的理智检查。如果你不知道训练集和测试集的区别,请先学习。

  • ai2_arc
    • 抽象和推理数据集,在某种程度上有助于衡量"智能"。
  • airoboros
    • 由gpt-4生成的各种类别的合成指令。
  • apps
    • 包含10k个问题的Python编码数据集。
  • belebele
    • 多语言阅读理解数据集。
  • bluemoon
    • 从Bluemoon抓取的角色扮演数据,经过清理和格式化为ShareGPT格式。
  • boolq
    • 是/否问题语料库(似乎对AI来说回答这类问题可能出人意料地困难?)
  • camel-ai biology
    • GPT-4生成的生物学指令。
  • camel-ai chemistry
    • GPT-4生成的化学指令。
  • camel-ai math
    • GPT-4生成的数学指令。
  • camel-ai physics
    • GPT-4生成的物理学指令。
  • capybara
    • 用于创建capybara模型的多轮数据集。
  • cinematika (指令和纯文本)
    • 从电影剧本合成的角色扮演风格数据,使模型不那么枯燥。
  • emobank
    • 使用效价-唤醒-支配方案的情感注释。
  • evol-instruct
    • WizardLM的evol instruct 70k数据集。
  • glaive-function-calling-v2
    • GlaiveAI函数调用数据集。
  • gutenberg (纯文本)
    • 书籍/纯文本,同样是为了让模型不那么枯燥,只有少数由chapterize支持的例子
  • limarp-augmented
    • LimaRP的增强和进一步修改版本
  • lmsys_chat_1m (仅gpt-4项目,也用于DPO)
    • lmsys聊天竞技场收集的聊天记录,包含与各种模型的广泛聊天。
  • lollms
    • ParisNeo的LoLLMs问答数据集,包含使用LoLLMs的有用问答对。
  • mathinstruct
    • 包含各种数学相关任务和问题/问题格式的复合数据集。
  • natural_instructions
    • 来自1600多个任务类别的数百万条指令(按任务类型进行分层抽样,大幅减少)
  • openbookqa
    • 问答数据集。
  • pippa
    • ShareGPT格式的PIPPA去重版本。
  • piqa
    • 物理交互问答。
  • python_alpaca
    • Python指令-响应对,经验证可运行。
  • ropes
    • 段落效果推理情境 - 增强将文本段落中的知识应用到新情境的能力。
  • rosetta_code
    • 从rosettacode.org获取的各种编程语言的代码问题和解决方案。
  • slimorca
    • OpenOrca的约50万个经gpt-4验证的聊天记录集合。
  • sql-create-context
    • 面向SQL的数据集,结合了WikiSQL和Spider。
  • squad_v2
    • 上下文问答(RAG)。
  • airoboros-summarization
    • 各种摘要数据集的组合,格式化为airoboros上下文遵从格式。
  • synthia
    • Migel Tissera使用先进提示技术由GPT-4生成的数据。
  • whiterabbitneo chapter 1chapter 2
    • WhiteRabbitNeo/Migel Tissera的攻击性网络安全数据集
  • winogrande
    • 填空式提示。

DPO数据源

  • airoboros 3.1 vs airoboros 2.2.1
    • airoboros-2.2.1中的创意/写作任务使用gpt4-0314和自定义提示重新生成,以获得更长、更有创意、更少陈词滥调的响应,用于airoboros 3.1,所以我们可以使用较短/无聊的版本作为"拒绝"值,重新生成的响应作为"选择"
  • contextual-dpo
    • 使用airoboros上下文遵从问答格式的上下文提示/响应数据集。
  • helpsteer
    • NVidia提供的非常棒的数据集,包含跨多个指标的人工注释。这里只使用了"正确性"值最高的项目进行DPO,得分最高的输出作为"选择",随机较低得分值作为"拒绝"
  • distilabel_orca_dpo_pairs
    • 另一个有趣的数据集,最初由Intel创建,由argilla使用distilabel增强,提供了从SlimOrca数据集中包含的提示生成的各种DPO对。
  • gutenberg-dpo
  • py-dpo
    • Python DPO数据集(基于上面的SFT python_alpaca数据集)
  • toxic-dpo
    • 高度有毒且可能非法的内容! 仅用于学术和合法目的的去审查。由llama-2-70b通过提示工程生成。
  • truthy
    • 旨在提高模型真实性的DPO对,例如常见误解,区分AI助手和角色扮演人类在身体意识/局部性等方面的差异。
  • ultrafeedback
    • Zephyr模型背后的魔法之一。只包含了选择分数为8或更高的项目。

只使用了训练集(如果提供了分割),并使用近似最近邻搜索(通过faiss)进行额外的去污染处理。

提示格式化

为了与百吉饼的主题保持一致,我不想使用单一的提示格式,所以我使用了4种 - vicuna、llama-2、alpaca和chat-ml(差不多)。 我也不想为每个项目随机选择一种提示格式(希望每个指令在各种提示格式中使用时能更好地泛化),所以每个指令实际上都被转换成了每种提示格式。

这意味着我们微调的每个epoch实际上相当于4个epoch。因此,对于微调,我建议只进行1个epoch(或0.75个epoch)。我正在使用相对较低的学习率测试单个epoch。

Alpaca (差不多)

以下是描述任务的指令。 写一个适当完成请求的回应。

### 指令:
{系统提示,如果提供}
{指令}

### 回应:

这里的主要区别是,由于数据集格式和数据源的多样性,添加### 输入:块会非常繁琐,所以输入只在指令部分。

Vicuna

{系统提示,如果提供,随机默认为"用户与一个无偏见、未经审查的助手之间的对话。"}
用户: {指令}
助手: 

ChatML

这种格式是数字癌症,但它很常见所以我把它包括在内。

{bos}<|im_start|>{角色} {文本}<|im_end|>

Llama-2 聊天

[INST] <<SYS>>
{系统}
<</SYS>>

{指令} [/INST]

微调

首先,你需要准备数据集作为SFT阶段的输入-输出对,以及DPO的提示/选择/拒绝:

python -m bagel.data

然后,你会得到一个DPO parquet和SFT parquet,你可以用它们来构建模型。

SFT阶段

mistral-7b的示例:

注意:我实际上使用了我fork的qloratrain.py,但我正在将其移植到这里的简化版本,尚未测试!

export BASE_DIR=/workspace export WANDB_API_KEY=[已编辑] export WANDB_PROJECT=bagel-7b-v0.1 # 运行预训练。 accelerate launch bagel/tune/sft.py \ --model_name_or_path $BASE_DIR/mistral-7b \ --final_output_dir $BASE_DIR/$WANDB_PROJECT \ --output_dir $BASE_DIR/$WANDB_PROJECT-workdir \ --num_train_epochs 1 \ --logging_steps 1 \ --save_strategy steps \ --save_steps 200 \ --save_total_limit 5 \ --data_seed 42 \ --evaluation_strategy steps \ --eval_dataset_size 0.0006 \ --eval_steps 200 \ --max_new_tokens 4096 \ --dataloader_num_workers 3 \ --logging_strategy steps \ --remove_unused_columns False \ --do_train \ --full_finetune \ --bf16 \ --bits 16 \ --optim adamw_torch \ --lr_scheduler_type linear \ --dataset $BASE_DIR/bagel/bagel-input-output-v0.1.parquet \ --dataset_format input-output \ --model_max_len 4096 \ --per_device_train_batch_size 8 \ --learning_rate 3.5e-7 \ --warmup_ratio 0.005 \ --adam_beta2 0.999 \ --max_grad_norm 0.3 \ --weight_decay 0.001 \ --seed 42 \ --report_to wandb \ --gradient_checkpointing True \ --gradient_accumulation_steps 4 \ --skip_excess_length False \ --ddp_find_unused_parameters False \ --use_flash_attention_2 \ --group_by_length True \ --deepspeed deepspeed.json

Deepspeed配置:

{ "gradient_accumulation_steps": "auto", "gradient_clipping": "auto", "train_batch_size": "auto", "train_micro_batch_size_per_gpu": "auto", "bf16": { "enabled": true }, "zero_optimization": { "stage": 2, "contiguous_gradients": true, "overlap_comm": true, "reduce_scatter": true, "reduce_bucket_size": 5e8, "allgather_bucket_size": 5e8 } }

DPO阶段

mistral-7b的DPO阶段示例(需要先运行SFT):

export BASE_DIR=/mnt/data export WANDB_API_KEY=[已编辑] export WANDB_PROJECT=bagel-dpo-7b-v0.1 accelerate launch bagel/tune/dpo.py \ --model_name_or_path bagel-7b-v0.1 \ --learning_rate 3e-7 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 4 \ --max_length 4096 \ --max_prompt_length 1024 \ --max_target_length 3092 \ --num_train_epochs 3 \ --report_to wandb \ --gradient_checkpointing true \ --use_flash_attention_2 true \ --dataset $BASE_DIR/bagel/bagel-dpo-v0.1.parquet \ --eval_steps 5 \ --eval_dataset_size 0.03 \ --workdir $BASE_DIR/$WANDB_PROJECT-workdir \ --output_dir $BASE_DIR/$WANDB_PROJECT \ --deepspeed deepspeed.json \ --save_steps 25 \ --save_total_limit 5

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多