XVERSE-7B-Chat为XVERSE-7B模型对齐后的版本。
XVERSE-7B 是由深圳元象科技自主研发的支持多语言的大语言模型(Large Language Model),参数规模为 70 亿,主要特点如下:
- 模型结构:XVERSE-7B 使用主流 Decoder-only 的标准 Transformer 网络结构,支持 8K 的上下文长度(Context Length),能满足更长的多轮对话、知识问答与摘要等需求,模型应用场景更广泛。
- 训练数据:构建了 2.6 万亿 token 的高质量、多样化的数据对模型进行充分训练,包含中、英、俄、西等 40 多种语言,通过精细化设置不同类型数据的采样比例,使得中英两种语言表现优异,也能兼顾其他语言效果。
- 分词:基于 BPE(Byte-Pair Encoding)算法,使用上百 GB 语料训练了一个词表大小为 100,534 的分词器,能够同时支持多语言,而无需额外扩展词表。
- 训练框架:自主研发多项关键技术,包括高效算子、显存优化、并行调度策略、数据-计算-通信重叠、平台和框架协同等,让训练效率更高,模型稳定性强,在千卡集群上的峰值算力利用率可达到 58.5%,位居业界前列。
环境准备
在 Autodl 平台中租赁一个 3090 等 24G 显存的显卡机器,如下图所示镜像选择 PyTorch–>2.1.0–>3.10(ubuntu22.04)–>12.1(11.3 版本以上的都可以)。
pip 换源加速下载并安装依赖包,为了方便大家进行环境配置,在 code 文件夹里面给大家提供了 requirement.txt 文件,大家直接使用下面的命令安装即可。如果你使用的是 autodl 部署模型的话,我们有制作好的镜像供大家使用:XVERSE-7B-Chat
# 升级pip
python -m pip install --upgrade pip
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 安装python依赖
pip install -r requirement.txt
模型下载
XVERSE-7B-Chat 模型:
使用modelscope下载
使用 modelscope 中的 snapshot_download 函数下载模型,第一个参数为模型名称,参数 cache_dir 为模型的下载路径,模型路径为/root/autodl-tmp
。在 /root/autodl-tmp 下创建model_download.py文件内容如下:
from modelscope import snapshot_download
model_dir = snapshot_download("xverse/XVERSE-7B-Chat", cache_dir='/root/autodl-tmp', revision="master")
代码准备
为了方便大家部署,在 code 文件夹里面已经准备好了代码,大家可以将仓库 clone 到服务器上直接运行。
在/root/autodl-tmp
路径下新建 chatBot.py
文件并在其中输入以下内容:
import argparse
import torch
import gradio as gr
import json
from datetime import datetime
from transformers import AutoModelForCausalLM, AutoTokenizer,GenerationConfig
tokenizer, model = None, None
def init_model(args):
global tokenizer, model
tokenizer = AutoTokenizer.from_pretrained(args.tokenizer_path, truncation_side="left", padding_side="left")
model = AutoModelForCausalLM.from_pretrained(args.model_path, trust_remote_code=True, torch_dtype=torch.bfloat16,
low_cpu_mem_usage=True, device_map='auto')
model.generation_config = GenerationConfig.from_pretrained(args.model_path)
model = model.eval()
def chat(message, history, request: gr.Request):
global tokenizer, model
history = history or []
history.append({"role": "user", "content": message})
# init
history.append({"role": "assistant", "content": ""})
utter_history = []
for i in range(0, len(history), 2):
utter_history.append([history[i]["content"], history[i+1]["content"]])
# chat with stream
for next_text in model.chat(tokenizer, history[:-1], stream=True):
utter_history[-1][1] += next_text
history[-1]["content"] += next_text
if torch.backends.mps.is_available():
torch.mps.empty_cache()
yield utter_history, history
# log
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
print(f'{current_time} request_ip:{request.client.host}\nquery: {message}\nhistory: {json.dumps(history, ensure_ascii=False)}\nanswer: {json.dumps(utter_history[-1][1], ensure_ascii=False)}')
# 增加配置,添加模型地址
def get_args():
parser = argparse.ArgumentParser()
parser.add_argument("--port", type=int, default=6006,
help="server port")
parser.add_argument("--model_path", type=str, default="/root/autodl-tmp/xverse/XVERSE-7B-Chat",
help="model path")
parser.add_argument("--tokenizer_path", type=str, default="/root/autodl-tmp/xverse/XVERSE-7B-Chat",
help="Path to the tokenizer.")
args = parser.parse_args()
return args
if __name__ == "__main__":
args = get_args()
# 初始化模型
init_model(args)
# 构建demo应用
with gr.Blocks(theme=gr.themes.Soft()) as demo:
gr.Markdown("""
# <center>💬 XVERSE-7B-Chat</center>
## <center>🚀 A Gradio chatbot powered by Self-LLM</center>
### <center>✨ 感兴趣的小伙伴可以去看我们的开源项目哦——[开源大模型食用指南 self-llm](https://github.com/datawhalechina/self-llm.git),教你一杯奶茶跑通所有主流大模型😀。</center>
""")
chatbot = gr.Chatbot(label="Chat history", height=500)
state = gr.State([])
with gr.Row():
text_box = gr.Textbox(label="Message", show_label=False, placeholder="请输入你的消息并回车")
with gr.Row():
submit_btn = gr.Button(value="Send", variant="secondary")
reset_btn = gr.Button(value="Reset")
text_box.submit(fn=chat,
inputs=[text_box, state],
outputs=[chatbot, state],
api_name="chat")
submit_btn.click(fn=chat,
inputs=[text_box, state],
outputs=[chatbot, state])
# 用于清空text_box
def clear_textbox():
return gr.update(value="")
text_box.submit(fn=clear_textbox, inputs=None, outputs=[text_box])
submit_btn.click(fn=clear_textbox, inputs=None, outputs=[text_box])
# 用于清空页面和重置state
def reset():
return None, []
reset_btn.click(fn=reset, inputs=None, outputs=[chatbot, state])
demo.launch(server_name="0.0.0.0", server_port=args.port)
运行 demo
在终端中运行以下命令,启动gradio服务,并按照 autodl
的指示将端口映射到本地,然后在浏览器中打开链接 http://localhost:6006/ ,即可看到聊天界面。
python chatBot.py
如下图所示: