Github
HuggingfaceSeewebLLM-it项目简介
SeewebLLM-it项目是一个针对意大利语进行专业微调的语言模型。它基于LLama-2-7b-chat-hf模型，专注于意大利语的处理和生成能力。这一模型的背后支撑者是Seeweb公司，通过利用先进的机器学习技术，进一步提升其在意大利语上的表现。
项目背景
SeewebLLM-it使用了LLama2作为基础模型，并且在LLama-2-7b-chat-hf的基础上进行了微调，使其更加适应意大利语语境和应用。项目的贡献者主要是来自Seeweb的Lorenzo Rocchi。
模型的潜在偏差、风险和局限性
如同许多机器学习模型一样，SeewebLLM-it在生成输出时也可能无法保证百分之百的准确性。这意味着在某些情况下，输出的句子可能存在偏差，需要人为进一步的审核和调整。
训练脚本和推理技术
关于微调和测试所用的脚本和指令，可以在以下的GitHub仓库中找到：finetuning-llama2-ita。
通过以下的Python代码片段，可以对SeewebLLM-it进行推理抑或与原始的LLama 2做对比：
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
tokenizer = AutoTokenizer.from_pretrained("itsrocchi/SeewebLLM-it-ver2")
model = AutoModelForCausalLM.from_pretrained(
"itsrocchi/SeewebLLM-it-ver2",
device_map="auto",
torch_dtype=torch.float16,
load_in_8bit=True,
rope_scaling={"type": "dynamic", "factor": 2}
)
prompt = "### User:\nDescrivi cos' è l'intelligenza artificiale\n\n### Assistant:\n"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
streamer = TextStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
output = model.generate(**inputs, streamer=streamer, use_cache=True, max_new_tokens=float('inf'))
output_text = tokenizer.decode(output[0], skip_special_tokens=True)
模型培训数据和细节
用于训练的数据集是seeweb/Seeweb-it-292-forLLM，该数据集包含大约300个意大利语的提示和回答对话。这一训练过程是在RTX A6000显卡上进行的，服务器环境是Seeweb的云服务器GPU。
下一步计划
未来，SeewebLLM-it模型尚需进一步优化。为此，需要扩大训练数据集的规模，以便模型可以学习更多样化的回答方式，更好地处理复杂和多样化的意大利语需求。
