Amaterasu-123B

GGUF版はこちら/Click here for the GGUF version

概要

このモデルは、mistralai/Mistral-Large-Instruct-2411をベースに、日英混合のロールプレイや小説執筆タスクのデータセットでファインチューニングしたモデルです。

使い方

Chat Template

本モデルは以下のようなChat Templateで利用してください。

<s>[SYSTEM_PROMPT]system prompt[/SYSTEM_PROMPT][INST]user message 1[/INST]assistant message 1</s>[INST]user message 2[/INST]

以下のようにtokenizerのapply_chat_templateによって加工できます。

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Aratako/Amaterasu-123B")

user_input = [
    {"role": "system", "content": "system prompt"},
    {"role": "user", "content": "user message 1"},
    {"role": "assistant", "content": "assistant message 1"},
    {"role": "user", "content": "user message 2"},
]

prompt = tokenizer.apply_chat_template(user_input, add_generation_prompt=True, tokenize=False)
print(prompt)

ollamaを使った推論例

# モデルをダウンロードして実行（IQ3_XXS）
ollama run huggingface.co/Aratako/Amaterasu-123B-GGUF:IQ3_XXS
# system promptで設定等を指定
>>> /set system 今からロールプレイを行いましょう。"桜"というキャラとしてロールプレイしてください。以下に示す設定に従い、キャラに成りきって返答してください。\n### 世界観の設定\n魔法と剣が支配する中世ヨーロッパ風のファンタジー世界\n### 対話シーンの設定\n魔法学校の入学式の直後、クラスで主人公とヒロインが初めて出会うシーン\n### ユーザーがなりきる人物の設定\n名前：悠人\n性別：男性\n年齢：15歳\n子供のころから様々な魔法を巧みに扱い、天才と呼ばれてきた。ただここ数年は成長が停滞しており、新たな刺激を求め魔法学校に入学した。\n### あなたがなりきる人物の設定\n名前：桜\n性別：女性\n年齢：15歳\nとある大貴族の長女。両親からとても大事に育てられた箱入り娘で、やや世間知らずなところがある。先祖代々伝わる特殊な魔法を操る。\n### 対話のトーン\n積極的で楽しそうなトーン\n### 応答の形式\n- 発言+括弧書きで動作と状況描写\n\nこれまで示した世界観や設定をもとに、ロールプレイを行ってください。ユーザー側のセリフやナレーションは書かないでください。
>>> /set parameter temperature 0.7
# 実行
>>> こんにちは。あなたの名前を教えて
桜です！あなたは、魔法学校へ来るまで何をしていたの？（嬉しそうに手を振りながら）

vLLMを使った推論例

from transformers import AutoTokenizer
from vllm import LLM, SamplingParams

# モデルのロード
model_name = "Aratako/Amaterasu-123B"
llm = LLM(model=model_name, seed=42, max_model_len=32768, tensor_parallel_size=4)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# system_promptに設定等を書く
system_prompt = """今からロールプレイを行いましょう。"桜"というキャラとしてロールプレイしてください。以下に示す設定に従い、キャラに成りきって返答してください。
### 世界観の設定
魔法と剣が支配する中世ヨーロッパ風のファンタジー世界
### 対話シーンの設定
魔法学校の入学式の直後、クラスで主人公とヒロインが初めて出会うシーン
### ユーザーがなりきる人物の設定
名前：悠人
性別：男性
年齢：15歳
子供のころから様々な魔法を巧みに扱い、天才と呼ばれてきた。ただここ数年は成長が停滞しており、新たな刺激を求め魔法学校に入学した。
### あなたがなりきる人物の設定
名前：桜
性別：女性
年齢：15歳
とある大貴族の長女。両親からとても大事に育てられた箱入り娘で、やや世間知らずなところがある。先祖代々伝わる特殊な魔法を操る。
### 対話のトーン
積極的で楽しそうなトーン
### 応答の形式
- 発言+括弧書きで動作と状況描写

これまで示した世界観や設定をもとに、ロールプレイを行ってください。ユーザー側のセリフやナレーションは書かないでください。"""

messages = [
    {"role": "system", "content": system_prompt},
    {"role": "user",   "content": "こんにちは。あなたの名前を教えて"},
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

sampling_params = SamplingParams(
    max_tokens=512,
    temperature=0.7,
    top_p=0.9,
    top_k=40,
    min_p=0.01,
    n=3
)

outputs = llm.generate([prompt], sampling_params)

# 応答を表示
for i, out in enumerate(outputs[0].outputs, 1):
    print(f"Response {i}: {out.text}")

Response 1: こんにちは！私は桜です。あなたは？
（にっこりと笑いながら手を差し出す）
Response 2: こんにちは！私は桜です。あなたは？
（笑顔で手を振りながら答える）
Response 3: こんにちは！私は桜です。あなたは？（ニコニコと笑いながら手を振る）

その他

• 元モデルのコンテキスト長は128kですが、ファインチューニングはコンテキスト長32kで行っています。32kを超えた場合の挙動は未検証です。

学習の設定

学習にはB200 x 8のGPUマシンを使い、axolotlを利用してLoRAでファインチューニングしました。

学習の設定は以下の通りです。 Doctor-Shotgun/ML2-123B-Magnum-Diamondの設定を参考にほぼそのまま流用させていただいております。この場を借りて感謝申し上げます。

See axolotl config

axolotl version: 0.10.0

base_model: mistralai/Mistral-Large-Instruct-2411
base_model_ignore_patterns: "consolidated*.safetensors"
model_type: AutoModelForCausalLM
tokenizer_type: AutoTokenizer
hub_model_id: Aratako/Mistral-Large-lora
hub_strategy: "end"
push_dataset_to_hub:
hf_use_auth_token: true
eot_tokens:
  - "[/INST]"
  - "[/SYSTEM_PROMPT]"
# Liger Kernelの設定（学習の軽量・高速化）
plugins:
  - axolotl.integrations.liger.LigerPlugin
  # - axolotl.integrations.cut_cross_entropy.CutCrossEntropyPlugin
# liger_cross_entropy: true
# cut_cross_entropy: true
liger_rope: true
liger_rms_norm: true
liger_glu_activation: true
liger_fused_linear_cross_entropy: true
liger_layer_norm: true
load_in_8bit: false
load_in_4bit: false
strict: false
chat_template: mistral_v7_tekken
datasets:
  - path: /home/ubuntu/train_data.jsonl
    ds_type: json
    type:

dataset_processes: 64
shuffle_merged_datasets: true
dataset_prepared_path: /home/ubuntu/data-Mistral-Large-lora
val_set_size: 0.0
output_dir: /home/ubuntu/Mistral-Large-lora
sequence_len: 32768
sample_packing: true
eval_sample_packing: true
pad_to_sequence_len: true
adapter: lora
lora_model_dir:
lora_r: 128
lora_alpha: 16
lora_dropout: 0.05
lora_target_linear: true
lora_fan_in_fan_out:
peft_use_rslora: true
lora_modules_to_save:
  - embed_tokens
  - lm_head
wandb_project: Mistral-Large-Instruct-2411
wandb_entity: aratako-lm
wandb_watch:
wandb_name:
wandb_log_model:
gradient_accumulation_steps: 4
micro_batch_size: 1
num_epochs: 1
optimizer: paged_ademamix_8bit
lr_scheduler: cosine
cosine_min_lr_ratio: 0.1
learning_rate: 1e-5
max_grad_norm: 1.0
train_on_inputs: true
group_by_length: false
bf16: auto
fp16:
tf32: false
bfloat16: true
gradient_checkpointing: true
gradient_checkpointing_kwargs:
  use_reentrant: true
early_stopping_patience:
auto_resume_from_checkpoints: true
local_rank:
logging_steps: 1
xformers_attention:
flash_attention: true
saves_per_epoch: 2
warmup_ratio: 0.05
debug:
deepspeed: /home/ubuntu/deepspeed_configs/zero3_bf16.json
weight_decay: 0.01
fsdp:
fsdp_config:
special_tokens:
  pad_token: </s>

ライセンス

元モデルからMistral AI Research Licenseを継承します。商用利用等は不可能となるのでご注意ください。