Qwen2-Math：阿里巴巴开源的数学解题AI模型

AI老猴子

已于 2024-09-12 12:42:03 修改

阅读量1.1k

点赞数 26

文章标签：开源人工智能大模型 AI大模型 AI AI模型学习

于 2024-08-26 14:45:57 首次发布

本文链接：https://blog.csdn.net/star_nwe/article/details/141563765

版权

Qwen2-Math是由阿里巴巴通义千问团队基于 Qwen2 语言模型构建的数学解题专用开源 AI 模型。它专为解决复杂数学问题设计，经过数学专用语料库的预训练和指令微调，展现出卓越的性能。

一、主要功能

多步逻辑推理： Qwen2-Math 能够处理需要复杂多步逻辑推理的高级数学问题。
竞赛题解答： 具备解答数学竞赛题的能力，例如国际数学奥林匹克（IMO）等。
数学能力超越： 在数学能力上超越了其他开源模型，甚至一些闭源模型。
双语及多语言模型开发： 目前主要支持英语，正在开发中英双语和多语言版本。

二、技术原理

Qwen2-Math 的技术原理包括：

大规模预训练：使用大量数学相关文本、书籍、代码和考试题目对模型进行预训练。
专用语料库：预训练数据集专注于数学领域，确保模型掌握数学语言和符号。
指令微调：进一步优化模型，使其更好地理解并执行特定的数学解题指令。
奖励模型：评估模型输出质量，强化模型的正确解题行为。
二元信号：结合正确回答的二元信号作为监督信号指导模型训练。
拒绝采样：构建监督微调数据集，确保模型接触高质量的输入和输出。
PPO 优化：使用强化学习算法提高模型在特定任务上的表现。
数据去污染：避免数据泄露，确保模型评估的公正性。

三、性能评估

Qwen2-Math 在多个数学基准测试中进行了评估，包括但不限于：

GSM8K：一个包含多种数学问题的基准数据集。
MATH：专注于数学问题解决的基准测试。
OlympiadBench、CollegeMath：更具挑战性的考试竞赛类测试。

Qwen2-Math 在这些测试中表现出色，尤其在数学竞赛题目的解答上，超越了多个领先的开闭源模型。

四、部署推理

Qwen2-Math模型的部署和推理流程是实现其广泛应用的关键步骤。以下是部署Qwen2-Math模型进行数学问题推理的详细指南：

1、环境准备

在开始之前，请准备好部署服务器资源环境：
在这里插入图片描述

2、模型获取

Qwen2-Math模型可以通过Hugging Face平台或ModelScope获取。

Hugging Face ：https://huggingface.co/QwenLM/Qwen2-Math
ModelScope ：https://www.modelscope.cn/

1）ubuntu安装git-lfs

curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
sudo apt-get install git-lfs
git lfs install

安装完成如下：
在这里插入图片描述

2）下载模型文件

git clone https://www.modelscope.cn/qwen/Qwen2-Math-7B-Instruct.git

下载完成如下：

也可以采用如下代码进行下载：

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen2-Math-7B-Instruct', cache_dir='/root/autodl-tmp', revision='master')

3、依赖安装

使用以下命令安装所需的Python包：

pip install transformers
pip install accelerate

4、模型加载

加载模型到内存中，可以选择使用CPU或GPU。以下是使用PyTorch进行模型加载的示例代码：

from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "qwen/Qwen2-Math-7B-Instruct"
device = "cuda" # the device to load the model onto
# 加载模型
model = AutoModelForCausalLM.from_pretrained(
  model_name,
  torch_dtype="auto",
  device_map="auto"
)
# 加载分词器
tokenizer = AutoTokenizer.from_pretrained(model_name)

加载完成如下：
在这里插入图片描述

5、推理执行

使用加载的模型和tokenizer，执行数学问题的推理：

# 定义数学问题，使用LaTeX格式来清晰地表示方程
prompt = "Find the value of $x$ that satisfies the equation $4x+5 = 6x+7$."
# 创建一个消息列表，其中包含系统角色和用户角色的消息
# 系统角色消息定义了助手的属性，用户角色消息包含了实际的数学问题
messages = [
  {"role": "system", "content": "You are a helpful assistant."},
  {"role": "user", "content": prompt}
]
# 使用tokenizer的apply_chat_template方法来格式化消息
# tokenize=False 表示不对输入进行分词处理
# add_generation_prompt=True 表示添加适合生成文本的模板
text = tokenizer.apply_chat_template(
  messages,
  tokenize=False,
  add_generation_prompt=True
)
# 使用tokenizer处理格式化后的文本，并且指定返回PyTorch张量
# 然后将这些张量移动到指定的设备上（例如GPU）
model_inputs = tokenizer([text], return_tensors="pt").to(device)
# 使用模型的generate方法生成文本
# **model_inputs 将model_inputs字典解包为generate方法的关键字参数
# max_new_tokens=512 指定生成的最大新token数量
# temperature=1.0 控制生成文本的随机性
# do_sample=False 表示使用贪婪采样而不是采样
generated_ids = model.generate(
  **model_inputs,
  max_new_tokens=512,
  temperature=1.0,
  do_sample=False
)
# 从生成的token中提取新生成的部分，忽略原始的输入部分
# 这通过比较输入和输出token的长度来实现
generated_ids = [
  output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
# 使用tokenizer的batch_decode方法将token转换回文本
# skip_special_tokens=True 表示在解码过程中跳过特殊的控制token
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

6、结果输出

将模型生成的结果解码并格式化为可读的文本，提供给用户：

print(f"The solution is: {response}")

输出如下：

The solution is: To find the value of \( x \) that satisfies the equation \( 4x + 5 = 6x + 7 \), we will follow these steps:

1. **Isolate the variable \( x \) on one side of the equation.** To do this, we can start by subtracting \( 4x \) from both sides of the equation:
\[
4x + 5 - 4x = 6x + 7 - 4x
\]
Simplifying both sides, we get:
\[
5 = 2x + 7
\]
2. **Next, isolate the term with \( x \) by subtracting 7 from both sides of the equation:**
\[
5 - 7 = 2x + 7 - 7
\]
Simplifying both sides, we get:
\[
-2 = 2x
\]
3. **Finally, solve for \( x \) by dividing both sides of the equation by 2:**
\[
\frac{-2}{2} = \frac{2x}{2}
\]
Simplifying both sides, we get:
\[
-1 = x
\]
Therefore, the value of \( x \) that satisfies the equation is \(\boxed{-1}\).

五、应用场景

Qwen2-Math 不仅仅是一个数学解题的工具，它是一个多功能的数学助手，其应用场景广泛，涵盖了教育、研究和工业等多个领域：

1. 教育辅助： Qwen2-Math 能够成为教师和学生的得力助手，帮助学生深入理解数学概念，提供个性化的学习支持，同时为教师提供教学资源和评估工具。

2. 在线辅导： 作为在线教育平台的智能辅导工具，Qwen2-Math 能够提供24/7的即时数学问题解答服务，帮助学生在课后也能获得专业的指导。

3. 竞赛培训： Qwen2-Math 强大的数学推理能力使其成为数学竞赛培训的理想选择，能够为参赛者提供高难度题目的解题策略和训练。

4. 学术研究： 在学术领域，Qwen2-Math 可以辅助研究人员进行复杂的数学建模、数据分析和算法开发，加速科学发现的过程。

六、结语

Qwen2-Math 的开源，标志着数学教育和研究领域迈入了一个新时代。这一创新工具的推出，不仅极大地丰富了数学问题的解决手段，也为数学的普及和提高开辟了新途径。随着技术的不断进步和模型的持续优化，Qwen2-Math 的多语言版本将更加贴近全球用户的需求，其应用场景将更加多元化，影响力也将随之扩散至全球各个角落。