Model Description

llm-jp-3.13bをベースモデルにichikara-instruction-003でSFTを実施したモデルです。

配布されたLoRA_templateをベースに以下のとおりパラメータを変更しています。 ○PEFTのLoRAのスケーリング係数を調整。 ○学習の評価バッチサイズ及び学習率を調整。auto_find_batch_sizeをTrueに設定。 ○SFTの設定にneftune_noise_alphaを追加。

Sample Uses

以下は、elyza-tasks-100-TV_0.jsonlのためのコードです。 本コードは、生成されたjsonlファイルを講座の課題として提出することを目的としています。 動作環境はOmunicampusを想定しています（動作確認済）。

以下は推論用コード（Python）です。

from transformers import ( AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, ) from peft import PeftModel import torch from tqdm import tqdm import json

HF_TOKEN = "******(your token)"

ベースとなるモデル（llm-jp/llm-jp-3-13b）と学習したLoRAのアダプタID（momiji8888/momijillm-jp-3-finetune3）

model_id = "models/models--llm-jp--llm-jp-3-13b/snapshots/cd3823f4c1fcbb0ad2e2af46036ab1b0ca13192a"

adapter_id = "momiji8888/momijillm-jp-3-finetune3"

QLoRAの設定

bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16, )

モデルの読み込み

model = AutoModelForCausalLM.from_pretrained( model_id, quantization_config=bnb_config, device_map="auto", token = HF_TOKEN )

トークナイザーの読み込み

tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, token = HF_TOKEN)

元のモデルにLoRAのアダプタを統合

model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

elyza-tasks-100-TVのデータセットの読み込み

datasets = [] with open("./elyza-tasks-100-TV_0.jsonl", "r") as f: item = "" for line in f: line = line.strip() item += line if item.endswith("}"): datasets.append(json.loads(item)) item = ""

推論の実行、結果の取得

results = [] for data in tqdm(datasets):

input = data["input"]

prompt = f"""### 指示 {input}

回答

"""

tokenized_input = tokenizer.encode(prompt, add_special_tokens=False, return_tensors="pt").to(model.device) attention_mask = torch.ones_like(tokenized_input) with torch.no_grad(): outputs = model.generate( tokenized_input, attention_mask=attention_mask, max_new_tokens=150, do_sample=False, repetition_penalty=1.2, pad_token_id=tokenizer.eos_token_id )[0] output = tokenizer.decode(outputs[tokenized_input.size(1):], skip_special_tokens=True)

results.append({"task_id": data["task_id"], "input": input, "output": output})

結果をJsonlで出力し、Omunicampus上に保存

import re jsonl_id = re.sub(".*/", "", adapter_id) with open(f"./{jsonl_id}-outputs.jsonl", 'w', encoding='utf-8') as f: for result in results: json.dump(result, f, ensure_ascii=False)
f.write('\n')

    （以上）