LLMは「226-68=」のようなプロンプトを与えると「158」と計算してくれますが、この計算は我々が想像するよりも奇妙な方法で行っていることを紹介します [Nikankin+ ICLR 2025]。 まずは前提条件を確認します。思考の連鎖は使わず、「226-68=」のようなプロンプトに対して「158」のように答えを直接出力する場合を考えます。 一例として Llama3-8B を考えます。Llama3 のトークナイザは 0 から 1000 までの数に 1 つのトークンを割り当てるので、「226-68=」を入力すると、次のトークン「158」が「0」「1」...「157」「158」「159」...「1000」などのトークンの中から、最も確率が高いものとして選ばれます。 ヤニフ・ニカンキンらの発見 [Nikankin+ ICLR 2025] は、Llama3-8B は答えや入力についての粗い条件
Llama2をコーディング用にチューニングしたCode Llamaでてますね。 そして、対話モデルもあります。 けどどう使うかわからなかったのでいろいろ試したら、なんとなくわかったのでメモ。 モデルはHugging Faceにあるので、ふつうのTransformersモデルとして使えます。 で、指示文は[INST]～[/INST]で囲む、システムからの出力は<SYS>から</SYS>で囲まれるという感じぽい。 ので、プロンプトをこんな感じで作る。 prompt = f"""[INST]{prompt}[/INST] <SYS> コード全体はこうなります。 import torch from transformers import AutoModelForCausalLM, AutoTokenizer from colorama import Fore, Back, Style, init
# Ubuntuの最新版をベースにする FROM ubuntu:latest # 必要なパッケージのインストール RUN apt-get update && apt-get install -y \ wget \ software-properties-common \ gcc-11 \ g++-11 # Python3.10を追加 RUN add-apt-repository ppa:deadsnakes/ppa RUN apt-get update RUN apt-get install -y python3.10 python3-pip # llama-cpp-pythonをインストール RUN pip install llama-cpp-python # ワークディレクトリを設定 WORKDIR /usr/src/app # ファイルをダウンロード RUN wget https:/
【ローカルAI】GUIでCodeLlama-34B-Instruct-GGUFを動かしてみる【text-generation-webui】 概要 ローカルLLMで最近話題の「CodeLlama-34B-Instruct-GGUF」をtext-generation-webuiから動かし、「ローカルLLMでもファインチューニングなしでプロンプト指示できる」感覚を体験してみる。 メイン読者ターゲット ご家庭にGPUがある人（CPUでも良いが遅い） 最適化だったり正しい理解ができてるかは別として、とりあえず動かしたい人 導入から書くので、推論スピードだけ確認したい人は下まですっ飛ばしてください。 導入 text-generation-webuiの導入 以下からclone 自分はpyenv+venv派なので python -m venv .venv でactivate。 あとは基本的にinstall
以下の記事が面白かったので、かるくまとめました。 ・Fine-tune Llama 2 with DPO 1. はじめに「RLHF」は「GPT-4」「Claude」などのLLMの事実上の最後の学習ステップとなっており、LLM出力の饒舌さや安全さが人間の期待と一致していることを確認します。ただし、RLの複雑さが持ち込まれます。適切な報酬関数を設定し、状態を推定するようにモデルを学習する必要があります。同時に、元のモデルから離れすぎないよう注意する必要があります。このようなプロセスは非常に複雑で、正しく行うのは容易ではありません。 Rafailov、Sharma、Mitchellらによる最近の論文「Direct Preference Optimization」では、既存の手法で使用されているRLベースの目標を、単純なバイナリクロスエントロピー損失を介して直接最適化できる目標に切り替えることを提
2023/11/13追記以下の記事は､Llama2が公開されて数日後に書いた内容です｡ 公開から数ヶ月経った23年11月時点では､諸々の洗練された方法が出てきていますので､そちらも参照されることをおすすめします｡ (以下､元記事です) 話題のLamma2をファインチューニングします｡ QLoRAライブラリを使うパターンと､公式推奨の2つを試しました｡前者が個人的にはオススメです｡ 前提Hugging faceで配布されている公式のモデルが必要です｡以下を参考に､ダウンロードしておきます｡ データセット作成 (7/20 15:20追記 設定ミスってたので修正しました) test.jsonを適当に作ります｡ [ { "input": "", "output": "### Human: 富士山といえば?### Assistant: なすび" }, { "input": "", "output":
Today, we are releasing Code Llama, a large language model (LLM) that can use text prompts to generate code. Code Llama is state-of-the-art for publicly available LLMs on code tasks, and has the potential to make workflows faster and more efficient for current developers and lower the barrier to entry for people who are learning to code. Code Llama has the potential to be used as a productivity an
さらに、学習時には、16kトークン（≒16,000単語）という比較的長いデータを利用しているんだとか。 そのため、100kトークン（≒100,000単語）の入力に対しても高い精度で回答を出せるとのこと。 実務で使うプログラムは行数が多いので、かなり実用的なモデルなのではないでしょうか。 それでは、導入方法を見ていきましょう！ なお、軽量化されたLiteLlamaついて詳しく知りたい方は、下記の記事を合わせてご確認ください。 →【LiteLlama】世界最軽量？わずか0.46Bの超軽量型Llama 2を使ってみた Code Llamaのライセンス 厳密には、Code Llamaはオープンソースではありません。 GitHubのCode Llamaのライセンスを確認すると、Llama2に準拠しているようです。 Code Llama Licence → https://github.com/fac
「Google Colab」で「Code Llama」を試したので、まとめました。 1. Code Llama「Code Llama」は、コードと自然言語の両方からコードとコードに関する自然言語を生成できる最先端のLLMです。研究および商用利用が可能で、無料で利用できます。 2. Code Llamaのモデル「Code Llama」は「Llama 2」ベースで、3種類を3サイズ提供しています。 ・Code Llama : 基本的なコード生成モデル ・CodeLlama-7b-hf ・CodeLlama-13b-hf ・CodeLlama-34b-hf ・Code Llama - Python : Pythonに特化したコード生成モデル ・CodeLlama-7b-Python-hf ・CodeLlama-13b-Python-hf ・CodeLlama-34b-Ptyhon-hf ・Cod
はじめに llama.cppはMetaの大規模言語モデル (Large Language Models, LLMs) であるLLaMAを、量子化することでCPU上で動作させるものである。C/C++で実装されているので、Ruby bindingsを作って、Rubyから呼び出せるようにした。 github.com 使い方 インストールは通常のnative extensionsなgemと同様である。 $ gem install llama_cpp モデルを用意して量子化する必要があるが、llama.cppをcloneしてきて、Usageの通りにすればできる。 GitHub - ggerganov/llama.cpp: Port of Facebook's LLaMA model in C/C++ あとは、普通にrequireすれば使える。 require 'llama_cpp' # パラメータを
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
