YuLan-Chat

YuLan-Chat

中国人民大学开发的双语大语言模型 支持4K上下文

YuLan-Chat是中国人民大学高瓴人工智能学院开发的开源大语言模型,专注中英双语能力。通过大规模预训练和课程学习,提升了语言能力、实用性和安全性。支持4K长上下文,扩充词表优化中文处理。最新版YuLan-Chat-3-12B在MMLU、C-Eval等多项基准测试表现优异,展现了卓越的双语能力和通用智能水平。

YuLan-Chat大语言模型人工智能中英双语课程学习Github开源项目
<div align=center> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/41a41786-37b5-4818-8597-3774b12cbc66.jpg" width="400px"> <h1>玉兰:开源大语言模型</h1> <a href="https://github.com/RUC-GSAI/YuLan-Chat/blob/main/LICENSE"><img src="https://img.shields.io/badge/License-MIT-blue" alt="license"></a> <a href="https://arxiv.org/abs/2406.19853" target="_blank"><img src=https://img.shields.io/badge/arXiv-b5212f.svg?logo=arxiv></a> <a href="https://huggingface.co/yulan-team"><img alt="Static Badge" src="https://img.shields.io/badge/%F0%9F%A4%97%20Hugging%20Face-blue?color=8A2BE2"></a> <a><img src="https://img.shields.io/github/stars/RUC-GSAI/YuLan-Chat"></a> </div>

玉兰对话模型是由中国人民大学高瓴人工智能学院研究人员开发的基于对话的大语言模型(玉兰是中国人民大学的校花)。最新版本通过从头预训练,并采用课程学习策略,使用高质量的中英文指令和人类偏好数据进行监督微调而开发。该模型具有以下技术特点:

  • 由于在高质量的英文、中文和多语言数据上进行大规模预训练,模型的语言能力得到了提升。
  • 由于采用课程学习策略进行人类对齐,我们的模型在有用性、诚实性和无害性方面得到了增强。
  • 为了更好地支持中文的长输入和输出,我们扩展了词汇表,增加了中文词汇和最大输入长度。现在可以支持4k长度的上下文。

新闻

  • [2024年7月1日] 我们发布了YuLan-Base-12B,一个从头训练的大语言模型,以及其对话版本YuLan-Chat-3-12B。我们在超过1.6TB词元的英文、中文和多语言数据上对基础模型进行预训练,然后通过课程学习策略,使用高质量的中英文指令和人类偏好数据进行监督微调,得到了对话模型。
  • [2023年8月18日] 我们的YuLan-Chat-2-13BOpenCompass基准测试中获得第5名!
  • [2023年8月2日] 我们发布了YuLan-LLaMA-2-13BYuLan-Chat-2-13B。两个模型都在LLaMA-2的基础上对英文和中文语料进行了持续预训练,而YuLan-Chat-2-13B是基于YuLan-LLaMA-2-13B的对话型大语言模型,使用了高质量的中英文指令进行训练。
  • [2023年8月2日] 我们发布了YuLan-Chat-1-65B-v2,这是一个基于LLaMA的对话型大语言模型。它在英文和中文语料上进行了持续预训练,然后使用高质量的中英文指令进行了指令微调。
  • [2023年6月8日] 我们发布了YuLan-Chat-1-13B-v1YuLan-Chat-1-65B-v1,以及相应的INT-8量化脚本。
  • [2023年6月8日] 我们发布了YuLan-Chat-1-13B-v1YuLan-Chat-1-65B-v1两个模型,以及对应的int8量化脚本。

模型库

由于许可证限制,对于基于LLaMA的模型,我们只提供与原始检查点的权重差异;对于基于LLaMA-2的模型,可以直接使用。详细信息请查看使用方法部分。

局限性:尽管我们努力减少模型使用过程中可能出现的安全问题,并鼓励生成符合道德和法律要求的文本,但由于语言模型基于概率生成,它仍可能产生意料之外的输出。例如,生成的回复可能包含偏见、歧视或其他有害内容。请不要传播此类内容。我们不对因传播有害信息而导致的任何后果承担责任。

由于许可证的限制,基于LLaMA的模型我们仅提供与官方模型的差值,基于LLaMA-2的模型可直接使用,具体请参见使用方法章节。

局限性:尽管我们尝试减少模型在使用中可能出现的安全性问题,并鼓励模型生成符合道德和法律要求的文本,但由于语言模型基于概率生成的范式,模型仍然可能会产生意外的输出。例如,生成的响应可能包含偏见、歧视或其他有害内容。请不要传播此类内容。我们对因传播有害信息而造成的任何后果不承担任何责任。

模型基础模型扩展词表扩展长度继续预训练SFT发布日期
YuLan-Base-12BYuLan-Base-12B✅ 51,190✅ 4,0962024.7.1
YuLan-Chat-3-12BYuLan-Base-12B✅ 51,190✅ 4,0962024.7.1
YuLan-Chat-2-13BLLaMA2-13B✅ 51,190✅ 8,1922023.8.2
YuLan-LLaMA-2-13BLLaMA2-13B✅ 51,190✅ 8,1922023.8.2
YuLan-Chat-1-65B-v2LLaMA-65B✅ 51,190❌ 2,0482023.8.2
YuLan-Chat-1-13B-v1LLaMA-13B❌ 32,000❌ 2,0482023.6.8
YuLan-Chat-1-65B-v1LLaMA-65B❌ 32,000❌ 2,0482023.6.8

评估

我们在几个中文和英文基准测试上对YuLan-Chat模型进行了评估。评估结果如下所示。

我们在中英文的一些基准测试上对YuLan-Chat进行了评价,其结果如下。

MMLU

MMLU(大规模多任务语言理解)是一个基准测试,旨在通过专门在零样本和少样本设置中评估模型来衡量预训练期间获得的知识。

MMLU是一个评估模型知识量的常用的英文基准测试集。

模型STEM社会科学人文其他平均
YuLan-Chat-1-13B-v139.657.842.657.649.4
YuLan-Chat-1-65B-v149.271.757.766.761.3
YuLan-Chat-1-65B-v246.367.956.963.958.7
LLaMA-2-13B44.664.253.962.256.2
FlagAlpha/Llama2-Chinese-13b-Chat44.463.251.660.655.0
Linly-AI/Chinese-LLaMA-2-13B-hf43.662.749.861.654.4
YuLan-LLaMA-2-13B42.961.550.458.653.4
YuLan-Chat-2-13B45.366.753.862.857.2
YuLan-Base-12B42.360.246.456.151.3
YuLan-Chat-3-12B45.564.351.861.355.7

C-Eval

C-Eval是一个针对基石模型综合能力的中文基准测试集。

模型理工社会科学人文其他平均平均(困难)
YuLan-Chat-1-13B-v130.237.431.930.732.025.7
YuLan-Chat-1-65B-v137.746.136.838.039.231.1
YuLan-Chat-1-65B-v239.955.947.743.745.431.4
LLaMA-2-13B36.943.237.636.638.232.0
FlagAlpha/Llama2-Chinese-13b-Chat36.844.536.336.538.130.9
Linly-AI/Chinese-LLaMA-2-13B-hf33.744.836.636.537.027.7
YuLan-LLaMA-2-13B35.346.441.937.639.328.6
YuLan-Chat-2-13B38.949.745.040.842.632.2
YuLan-Base-12B42.057.647.241.546.032.6
YuLan-Chat-3-12B47.061.852.944.350.537.7

AGI-Eval-高考

AGI-Eval是一个以人为中心的基准,专门设计用于评估基础模型在与人类认知和解决问题相关的任务中的一般能力。我们使用其中的"高考"分支进行评测。

模型平均语文英语地理历史生物化学物理数学-解答题数学-填空题
YuLan-Chat-1-13B-v129.232.163.134.725.126.229.025.526.50.9
YuLan-Chat-1-65B-v134.624.882.044.244.331.430.926.027.10.9
YuLan-Chat-1-65B-v237.931.480.450.856.633.329.032.024.40.8
LLaMA-2-13B32.727.272.236.243.026.232.430.026.20.9
FlagAlpha/Llama2-Chinese-13b-Chat31.626.470.635.238.728.128.029.525.62.5
Linly-AI/Chinese-LLaMA-2-13B-hf31.122.874.842.237.924.328.023.026.50.0
YuLan-LLaMA-2-13B34.225.270.343.248.530.029.531.028.51.7
YuLan-Chat-2-13B39.537.085.346.751.943.838.229.023.10.9
YuLan-Chat-3-12B43.531.368.353.360.943.834.827.528.20.9
YuLan-Chat-3-12B49.543.980.457.369.453.837.727.026.20.9

使用方法

环境设置

conda create -n yulan python=3.10 -y
conda activate yulan

我们建议根据官方指南安装pytorch和bitsandbytes,以便更好地适应您的环境。我们提供了我们使用的版本作为参考:

torch==1.13
bitsandbytes==0.39.0

然后,您可以通过以下指令安装其他软件包:

pip install -r requirements.txt

模型权重恢复

  1. 对于YuLan-Chat-1-13B-v1、YuLan-Chat-1-65B-v1和YuLan-Chat-1-65B-v2,由于它们基于LLaMA,您应该下载LLaMA的原始权重,然后将我们发布的增量参数添加到原始参数中,以组成最终的模型参数。
python3 apply_delta.py \
    --base-model-path ./llama-13b/ \
    --tuned-model-path ./yulan-13b/ \
    --delta-path ./yulan-13b-delta
  1. 对于YuLan-LLaMA-2-13B和YuLan-Chat-2-13B,您可以直接下载我们发布的检查点,并通过Huggingface Transformers加载它们的参数。

从Huggingface Transformers导入

由于我们的模型是基于LLaMA训练的,因此可以以与原始LLaMA相同的方式加载。

>>> from transformers import AutoTokenizer, AutoModelForCausalLM >>> tokenizer = AutoTokenizer.from_pretrained("yulan-team/YuLan-Chat-3-12b") >>> model = AutoModelForCausalLM.from_pretrained("yulan-team/YuLan-Chat-3-12b").cuda() >>> model = model.eval() >>> input_text = "hello" >>> prompt = "The following is a conversation between a human and an AI assistant namely YuLan, developed by GSAI, Renmin University of China. The AI assistant gives helpful, detailed, and polite answers to the user's questions.\n[|Human|]:{}\n[|AI|]:".format(input_text) >>> inputs = tokenizer(prompt, return_tensors='pt', padding="longest", max_length=4096, truncation=True, return_attention_mask=True, add_special_tokens=True) >>> kwargs = {'temperature': 0.8, 'top_p': 0.95, "top_k": 50, "repetition_penalty": 1.1, "no_repeat_ngram_size": 64, "max_length": 4096, "pad_token_id": tokenizer.bos_token_id, "eos_token_id": tokenizer.eos_token_id} >>> outputs = model.generate(inputs['input_ids'].to(model.device), attention_mask=inputs['attention_mask'].to(model.device), do_sample=True, **kwargs) >>> print(tokenizer.batch_decode(outputs, skip_special_tokens=True)[len(prompt):])

命令行推理

我们提供了YuLan-Chat在命令行中进行推理的代码。

python inference.py --model_path ~/pretrain-checkpoint/yulan-13b/

我们还提供了一种量化方法,用于高效部署YuLan-Chat。量化后,YuLan-Chat可以加载到单个GPU上。

我们还提供了一种量化方法,以便更轻量化地部署YuLan-Chat。通过量化后,模型可以被加载到单个GPU中。

YuLan-Chat (INT-8)GPU 消耗
13BRTX3090-24G
65BA100-80G
python inference.py --model_path ~/pretrain-checkpoint/yulan-13b/ --load_in_8bit

许可证

YuLan-Chat 使用 MIT 许可证。本项目中的所有数据和代码仅可用于学术目的。

本项目使用MIT许可,所有的数据和代码仅供学术研究使用。

贡献者

预训练微调
朱宇涛 (主导), 毛科龙, 陈文通, 孙一丁, 吴怡菡, 曹茜, 张蕾, 王峰, 任强强周堃 (主导), 陈宇硕, 陈志鹏, 王磊, 侯宇鹏, 庞新程, 唐新宇, 李俊毅, 陈宇涵, 谢书芳

引用

如果我们的工作对您有帮助,请引用我们。

如果我们的项目对您有帮助,请引用我们,谢谢!

@article{yulan, author = {朱宇涛 和 周堃 和 毛科龙 和 陈文通 和 孙一丁 和 陈志鹏 和 曹茜 和 吴怡菡 和 陈宇硕 和 王峰 和 张蕾 和 李俊毅 和 王晓蕾 和 王磊 和 张北辰 和 董子灿 和 程晓雪 和 陈宇涵 和 唐新宇 和 侯宇鹏 和 任强强 和 庞新程 和 谢书芳 和 赵鑫 和 窦志成 和 毛佳昕 和 林衍凯 和 宋睿华 和 徐君 和 陈旭 和 严睿 和 魏喆为 和 胡迪 和 黄文冰 和 高泽峰 和 陈跃国 和 陆维政 和 温江涛}, title = {YuLan: 一个开源大语言模型}, journal = {CoRR}, volume = {abs/2406.19853}, year = {2024}, url = {https://doi.org/10.48550/arXiv.2406.19853}, doi = {10.48550/ARXIV.2406.19853}, eprinttype = {arXiv}, eprint = {2406.19853} }

YuLan-1

您可以参考我们的原始分支以获取更多关于YuLan-Chat-1和指令收集的详细信息。

更多关于指令构造的细节,可以参考我们之前的分支。

Star 历史

<img alt="Star 历史图表" src="https://api.star-history.com/svg?repos=RUC-GSAI/YuLan-Chat&type=Date" />

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多