NeuralLLaMa-3-8b-DT-v0.1 - 结合多模型优势的文本生成解决方案，增强任务表现

项目介绍：NeuralLLaMa-3-8b-DT-v0.1

概述

NeuralLLaMa-3-8b-DT-v0.1是一个由多种模型融合而成的文本生成模型。为了提升性能和精度，项目使用了LazyMergekit工具，将以下三个模型合并为一个强大的模型：

这款模型在若干标准数据集上展示了其在文本生成方面的能力。

配置

在配置方面，该模型使用了一系列参数进行优化：

models:
  - model: NousResearch/Meta-Llama-3-8B
  - model: mlabonne/ChimeraLlama-3-8B-v2
    parameters:
      density: 0.33
      weight: 0.2
  - model: nbeerbower/llama-3-stella-8B
    parameters:
      density: 0.44
      weight: 0.4
  - model: uygarkurt/llama-3-merged-linear
    parameters:
      density: 0.55
      weight: 0.4
merge_method: dare_ties
base_model: NousResearch/Meta-Llama-3-8B
parameters:
  int8_mask: true
dtype: float16

采用的是dare_ties合并方法，并使用浮点16位数据类型来提高效率。

使用方法

用户可以通过Python程序来使用NeuralLLaMa-3-8b-DT-v0.1。以下是一个简单的例子：

!pip install -qU transformers accelerate bitsandbytes

from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer, BitsAndBytesConfig
import torch

bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)

MODEL_NAME = 'Kukedlc/NeuralLLaMa-3-8b-DT-v0.1'
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(MODEL_NAME, device_map='cuda:0', quantization_config=bnb_config)

prompt_system = "你是一位流利使用西班牙语的高级语言模型, 名为Roberto the Robot, 是一名立志成为后现代艺术家的机器人。"
prompt = "创建一件艺术作品，用ASCII艺术展示你作为一个高级LLm, 把自己看作机遇之间的混合体，让自己自由发挥。"

chat = [
    {"role": "system", "content": f"{prompt_system}"},
    {"role": "user", "content": f"{prompt}"},
]

chat = tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(chat, return_tensors="pt").to('cuda')
streamer = TextStreamer(tokenizer)
stop_token = "<|eot_id|>"
stop = tokenizer.encode(stop_token)[0]

_ = model.generate(**inputs, streamer=streamer, max_new_tokens=1024, do_sample=True, temperature=0.7, repetition_penalty=1.2, top_p=0.9, eos_token_id=stop)

该模型支持在GPU上加速，并利用量化配置来提升效率。

评价结果

NeuralLLaMa-3-8b-DT-v0.1在多个数据集上的表现如下：

IFEval (0-Shot)：43.71
BBH (3-Shot)：28.01
MATH Lvl 5 (4-Shot)：7.25
GPQA (0-shot)：7.05
MuSR (0-shot)：9.69
MMLU-PRO (5-shot)：31.02

平均得分为21.12，详细结果可以查看开放大语言模型排行榜。

通过上述内容，NeuralLLaMa-3-8b-DT-v0.1不仅技术先进，而且在处理不同类型的文本生成任务时展示了极具竞争力的能力。