| --- |
| license: apache-2.0 |
| datasets: |
| - BelleGroup/train_1M_CN |
| - BAAI/COIG |
| - silk-road/alpaca-data-gpt4-chinese |
| language: |
| - zh |
| tags: |
| - gogpt-7b |
| --- |
| |
| # GoGPT |
|
|
| > GoGPT:ICT中英文底座增强大模型,基于Llama/Llama 2训练的底座大模型,参数规模包括70亿参数、130亿参数 |
|
|
| <p align="center"> |
| <br> |
| <img src="resources/assets/gogpt-banner-tou.png" width="600"/> |
| <br> |
| </p> |
| <p align="center"> |
| <img alt="GitHub" src="https://img.shields.io/github/license/ymcui/Chinese-LLaMA-Alpaca.svg?color=blue&style=flat-square"> |
| <img alt="GitHub top language" src="https://img.shields.io/github/languages/top/ymcui/Chinese-LLaMA-Alpaca"> |
| </p> |
| |
|
|
| ## 模型部署 |
|
|
| 🤗Huggingface上提供了GoGPT权重，目前开放了gogpt-7b和gogpt2-7b权重 |
|
|
| | 模型名称 | 基座模型 | 模型大小 | 下载地址 | |
| |-------------------------------------------------------------|-----------|------|-------------------------------------------------| |
| | [golaxy/gogpt-7b](https://huggingface.co/golaxy/gogpt-7b) | Llama-7b | 7B | [模型下载](https://huggingface.co/golaxy/gogpt-7b) | |
| | [golaxy/gogpt2-7b](https://huggingface.co/golaxy/gogpt2-7b) | Llama2-7b | 7B | [模型下载](https://huggingface.co/golaxy/gogpt2-7b) | |
|
|
| ## 训练细节 |
|
|
| ### step1：训练分词器 |
|
|
| [🐱怎么从零到一训练一个LLM分词器](https://github.com/yanqiangmiffy/how-to-train-tokenizer) |
|
|
| ```text |
| ├── data |
| │ └── corpus.txt 训练语料 |
| ├── llama |
| │ ├── tokenizer_checklist.chk |
| │ └── tokenizer.model |
| ├── merged_tokenizer_hf 合并结果 hf格式 |
| │ ├── special_tokens_map.json |
| │ ├── tokenizer_config.json |
| │ └── tokenizer.model |
| ├── merged_tokenizer_sp |
| │ └── open_llama.model # |
| ├── merge_tokenizer |
| │ └── tokenizer.model |
| ├── open_llama.model 训练的sp模型 |
| ├── open_llama.vocab 训练的sp词汇表 |
| ├── README.md |
| ├── step0_step0_process_text.py 基于多分数据集准备训练语料 |
| ├── step1_make_corpus.py 基于中文Wikipedia数据准备训练语料 |
| ├── step2_train_tokenzier.py 训练分词器 |
| ├── step3_tokenzier_segment.py 测试训练后的模型，包括编码和解码测试样例 |
| └── step4_merge_tokenizers.py 与原版llama的分词器进行合并，得到hf格式的tokenizer |
| |
| ``` |
|
|
| ### step2：二次预训练 |
|
|
| > 在中文预训练语料上对LLaMA进行增量预训练、继续预训练 |
|
|
| ### step3: 有监督微调 |
|
|
| - belle数据：120k数据 v1 |
| - stanford_alapca：52k数据 v2 |
| - [sharegpt](data%2Ffinetune%2Fsharegpt):90k数据 |
| |
| ### step4: 强化学习 |
| |
| > TODO |
| |
| ## 免责声明 |
| |
| 本项目相关资源仅供学术研究之用，严禁用于商业用途。 使用涉及第三方代码的部分时，请严格遵循相应的开源协议。 |
| |
| 模型生成的内容受模型计算、随机性和量化精度损失等因素影响，本项目不对其准确性作出保证。 |
| |
| 对于模型输出的任何内容，本项目不承担任何法律责任，亦不对因使用相关资源和输出结果而可能产生的任何损失承担责任。 |
| |
| ## 研究与开发团队 |
| |
| 本项目由网络数据科学与技术重点实验室GoGPT团队完成，团队指导老师为郭嘉丰研究员。 |
