访问官网
Github
Huggingface
文档Qwen2-1.5B-Instruct项目介绍
Qwen2-1.5B-Instruct是Qwen2大语言模型系列中的一员。这个项目是由Qwen团队开发的新一代大语言模型，专注于指令微调的1.5B参数规模版本。作为Qwen2系列的一部分，该模型展现了卓越的性能和多方面的能力。
模型概述
Qwen2-1.5B-Instruct是一个基于Transformer架构的解码器语言模型。它采用了多项先进技术，包括SwiGLU激活函数、注意力QKV偏置和分组查询注意力等。此外，该模型还使用了一个改进的分词器，能够更好地适应多种自然语言和代码。
训练过程
模型的训练包括两个主要阶段：
- 使用大量数据进行预训练
- 通过监督微调和直接偏好优化进行后续训练
这种训练方法使得模型在各种任务中表现出色，包括语言理解、生成、多语言能力、编码、数学和推理等。
性能表现
与之前发布的Qwen1.5-1.8B-Chat相比，Qwen2-1.5B-Instruct在多个基准测试中都展现了显著的进步：
- MMLU测试中，得分从43.7提升到52.4
- HumanEval编程测试中，从25.0提高到37.8
- GSM8K数学推理测试中，从35.3大幅提升到61.6
- C-Eval中文评估中，从55.3提高到63.8
- IFEval提示词严格准确率测试中，从16.8提升到29.0
这些结果表明，Qwen2-1.5B-Instruct在各个方面都有了显著的性能提升。
使用方法
使用Qwen2-1.5B-Instruct非常简单。用户只需要通过Hugging Face的transformers库加载模型和分词器，就可以开始生成内容。以下是一个简单的示例代码：
from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-1.5B-Instruct")
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-1.5B-Instruct")
# 准备输入
prompt = "Give me a short introduction to large language model."
messages = [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
# 生成回答
inputs = tokenizer([text], return_tensors="pt").to("cuda")
outputs = model.generate(inputs.input_ids, max_new_tokens=512)
response = tokenizer.batch_decode(outputs[:, inputs.input_ids.shape[-1]:], skip_special_tokens=True)[0]
总结
Qwen2-1.5B-Instruct作为Qwen2系列中的一员，展现了强大的性能和广泛的应用潜力。它不仅在多个基准测试中超越了大多数开源模型，还在某些方面展现出与专有模型相媲美的竞争力。无论是在语言理解、生成、多语言处理还是编码、数学推理等方面，这个模型都表现出色。对于研究人员和开发者来说，Qwen2-1.5B-Instruct提供了一个强大而灵活的工具，可以用于各种自然语言处理任务和应用开发。
