源1.0预训练语言模型使用示例

1 前言

源1.0预训练语言模型（简称源1.0）是浪潮人工智能研究院发布的人工智能巨量模型，单体模型参数量达到2457亿，成为全球最大规模的中文语料AI巨量模型。作为通用NLP预训练模型，源1.0能够适应多种类的AI任务需求，降低针对不同应用场景的语言模型适配难度，并提升小样本学习与零样本学习场景的模型泛化应用能力。调用源1.0API接口，使用源1.0的推理能力，可以支持下游几十个不同应用场景的任务。调用源1.0API接口有两种方式，可以直接使用代码调用，也可以使用源提供的图形化工具APIExp进行调用。两种调用方式的原理一致，以下示例内容基于APIExp进行展示。

2 环境约束

2.1 应用平台

服务端： 源开放平台

客户端：两者任选其一

• 用户电脑端，常规浏览器
• 用户电脑端，python集成开发环境

2.2 测试工具

测试工具	版本	适用测试内容
常规浏览器	无要求	APIExp图形化工具
Python集成开发环境	3.0以上	代码测试

2.3 测试环境构建

2.3.1 试用权限准备

用户注册。在源平台（https://air.inspur.com ) 首页，点击右上角注册，填写基本信息，注册为用户。

用户提交API申请。点击首页上部左侧的API申请按钮，填写申请的基本信息进行提交，就完成了API免费使用的申请。

获得授权。等待后台审核人员审核完成之后，就可以开始后续API试用了。

2.3.2 软件环境准备

“源1.0”项目尽可能采用了目前python API调用所需的主流依赖库，如果您之前有过相关开发经验，将不需要进行额外安装，如果您的电脑和python环境处于初始化状态，可以采用如下命令安装或确认相关依赖：

pip install requests hashlib json

完成安装后在您的硬盘上任意位置，用如下命令将GitHub上的代码fork下来即可。

git clone https://github.com/Shawn-Inspur/Yuan-1.0.git

需要注意的是，GitHub上下载的代码包含了三个部分，src中是模型训练的代码，sandbox中是web示例开发使用的沙箱代码，需要额外安装yarn，yuan_api中是采用API进行推理的示例代码和工具。

2.3.3 使用APIExp

2.3.4 模型选择

目前源模型API推理服务上线了3款预训练语言模型，参数规模都是百亿级别，分别是基础模型和两款领域模型（对话模型和翻译模型）。基础模型是通用的语言模型，具有较强的综合能力， 对话模型和翻译模型有着更为专业的领域知识。您可以根据自行设定的场景，选择不同引擎多次调试，筛选最佳适用引擎。

图1 模型选择

2.3.5 超参数配置

目前API提供的默认超参数是源算法工程师多次测试后优选的一组超参数，您可以选择源1.0预训练模型团队提供的默认参数，无需任何改动。当然，您也可以调整这些超参数，来探究更好的模型使用效果。

2.3.5.1 超参数说明

目前超参数一共有7个，详细说明如下表。

参数名	参数作用	取值范围
最大返回长度	模型推理返回结果的最大token序列长度。该参数设置越大，模型生成答案耗时越长。设置过短可能影响生成结果的完整性。token可能是一个字、词或者标点。	[1-200]
temperature	temperature值越大，模型的创造性越强，但生成效果不稳定。temperature值越小，模型的稳定性越强，生成效果稳定。	(0-1]
topP	生成token的概率累加，从最大概率的token往下开始取，当取到累加值大于等于topP时停止。当topP为0时，该参数不起作用。	[0-1]
topK	挑选概率最高的 k 个token作为候选集。若k值为1，则答案唯一。当topK为0时，该参数不起作用。	[0-200]
输入前缀	输入文字的开头符号，如“问题是：”	[0-8]个字符
输出前缀	输出文字的开头符号，如“答案是：”	[0-8]个字符
输出停止符	模型输出的停止符。生成文本遇到该字符停止，截断输出。如设定为“。”，则模型生成的文本结果从第一个“。”进行截断。	[0,32]个字符组成的字符串

2.3.5.2 超参数推荐值

以下为不同引擎的推荐值，不同场景下，用户对输出的创造性和稳定性需求不同，还需自行进行调整。

参数名	“基础模型”推荐值	“对话模型”推荐值	“翻译模型”推荐值
最大返回长度	50	50	50
temperature	1.0	1.0	1.0
topP	0.8	0.7	0.8
topK	5	5	5
输入前缀	空	空	空
输出前缀	空	空	空
输出停止符	空	空	空

2.3.6 输入示例

源1.0模型是语言模型，输入一段文本，模型就会输出一段文本。在输入区进行文本输入，输入完成点击【提交】按钮，就将输入区的文本提交给了源模型，耐心等待输出即可。

源1.0预训练语言模型是支持zero-shot和few-shot使用的，zero-shot和few-shot的意思是给模型一些“例子”作为先验知识，zero-shot是指不给任何例子，few-shot是指给出一些例子。

2.3.6.1 zero-shot使用

在输入区进行文本输入，输入完成点击【提交】按钮，就将输入区的文本提交给了源模型，耐心等待输出即可。例如，输入：用“首屈一指”这个词造句吧。

图2 Zero-shot使用输入

点击提交后，返回结果为：“我是首屈一指的！”

图3 Zero-shot使用输出

2.3.6.2 few-shot使用

在zero-shot无法达到预期效果的情况下，可以先给出几个例子。

例如：以“故园”为题作一首诗：

模型给出的结果看起来是在续写文章，而不是一首诗。

图4 Zero-shot使用效果

这是因为预训练语言模型是一种通用模型，当使用在特定任务