Qwen2.5-1.5B-Instruct-bnb-4bit - Unsloth功能提升模型微调效率，优化内存占用

项目介绍：Qwen2.5-1.5B-Instruct-bnb-4bit

项目背景

Qwen2.5-1.5B-Instruct-bnb-4bit是最新的Qwen大语言模型系列之一，展示了在语言模型领域的显著进步。此模型的基础是一个高效的问答指导型模型，旨在通过减少内存消耗和提高模型运行速度，提供更加智能和经济的解决方案。

项目特点

Qwen2.5-1.5B-Instruct具有以下显著特点：

知识丰富与能力提升：模型在编程和数学方面的能力得到了显著提升，尤其是在理解和生成长文本、结构化数据（如表格）及生成结构化输出（如JSON）方面表现出色。
指令执行能力加强：在跟随指令及处理各种系统提示方面更具鲁棒性，增强了角色扮演实现和条件设置功能。
长上下文支持：支持最长128K的上下文长度，并能生成高达8K的文本内容。
多语言支持：覆盖包括中文、英语、法语、西班牙语、葡萄牙语、德语、意大利语、俄语、日语、韩语、越南语、泰语、阿拉伯语等29种语言。

技术细节

模型类型：因果语言模型
训练阶段：预训练和后训练
模型架构：基于transformers框架，采用RoPE、SwiGLU、RMSNorm、注意力QKV偏置以及词嵌入绑定等技术
参数量：总参数1.54B；非嵌入参数1.31B
层数：28层
注意力头（GQA）：包含12个Q和2个KV的注意力头
上下文长度：支持32,768个完整的标记和8,192个生成标记

快速上手

通过以下代码片段，新手用户可以快速加载Qwen2.5-1.5B-Instruct模型：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen2.5-1.5B-Instruct"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "Give me a short introduction to large language model."
messages = [
    {"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=512
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

使用与性能

详细的评估结果可在有关Qwen2.5的博客中查看，并提供关于GPU内存需求及相应吞吐量的信息。

资源与支持

为方便使用者，提供了初学者友好的免费Google Colab笔记本，可直接在Colab上运行并调参数，该笔记本针对多种模型如Llama-3.1、Gemma-2等，提供优化及内存使用减少的解决方案。

有关Qwen2.5的更多信息，请访问项目的博客、GitHub和文档。