【大模型】端侧大模型 Qwen/Qwen2.5-1.5B-Instruct

最新推荐文章于 2025-03-27 20:50:06 发布

szZack

最新推荐文章于 2025-03-27 20:50:06 发布

阅读量3.6k

点赞数 12

分类专栏：大语言模型文章标签：大模型

本文链接：https://blog.csdn.net/zengNLP/article/details/143067656

版权

大语言模型专栏收录该内容

43 篇文章

订阅专栏

【大模型】端侧大模型 Qwen/Qwen2.5-1.5B-Instruct

Qwen2.5-1.5B-Instruct 模型介绍
- Qwen2.5-1.5B-Instruct 模型特征:
- 发布时间
模型测评
推理性能
运行环境安装
运行模型
下载
开源协议
参考

Qwen2.5-1.5B-Instruct 模型介绍

就 Qwen2.5 语言模型而言，所有模型都在我们最新的大规模数据集上进行了预训练，该数据集包含多达 18T tokens。相较于 Qwen2，Qwen2.5 获得了显著更多的知识（MMLU：85+），并在编程能力（HumanEval 85+）和数学能力（MATH 80+）方面有了大幅提升。此外，新模型在指令执行、生成长文本（超过 8K 标记）、理解结构化数据（例如表格）以及生成结构化输出特别是 JSON 方面取得了显著改进。 Qwen2.5 模型总体上对各种system prompt更具适应性，增强了角色扮演实现和聊天机器人的条件设置功能。与 Qwen2 类似，Qwen2.5 语言模型支持高达 128K tokens，并能生成最多 8K tokens的内容。它们同样保持了对包括中文、英文、法文、西班牙文、葡萄牙文、德文、意大利文、俄文、日文、韩文、越南文、泰文、阿拉伯文等 29 种以上语言的支持。我们在下表中提供了有关模型的基本信息。

Qwen2.5-1.5B-Instruct 模型特征:

Type: Causal Language Models
Training Stage: Pretraining & Post-training
Architecture: transformers with RoPE, SwiGLU, RMSNorm, Attention QKV bias and tied word embeddings
Number of Parameters: 1.54B
Number of Paramaters (Non-Embedding): 1.31B
Number of Layers: 28
Number of Attention Heads (GQA): 12 for Q and 2 for KV
Context Length: Full 32,768 tokens and generation 8192 tokens

发布时间

2024年9月份

模型测评

Qwen2.5-0.5B/1.5B/3B 表现：

在这里插入图片描述

Qwen2.5-0.5B/1.5B-Instruct 表现：

在这里插入图片描述

推理性能

在这里插入图片描述

运行环境安装

pip install transformers==4.45.2

运行模型

with transformers:

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]