Taka2024/gemma-2-27b-dpo-1

学習データセット

gemma-2利用にあたり、ライセンス制約上の懸念のあるデータセットは利用していない。

SFT使用データ

• llm-jp/magpie-sft-v1.0 (apache-2.0)
• DeL-TaiseiOzaki/Tengentoppa-sft-qwen2.5-32b-reasoning-100k (apache-2.0)
• weblab-GENIAC/Open-Platypus-Japanese-masked (MIT)
  • MITライセンスのデータのみ抽出して使用。

DPO使用データ

• weblab-GENIAC/aya-ja-nemotron-dpo-masked (apache-2.0)

モデル作成手順

• ベースモデル（google/gemma-2-27b）にSFT使用データ（サンプリング）を使って、Loraアダプタを作成（Taka2024/gemma-2-27b-it-2_lora）
• ベースモデルとLoraアダプタをマージ（Taka2024/gemma-2-27b-it-2_lora_merged）
• マージしたモデルにDPO使用データ（サンプリング）を使って、DPOアダプタを作成（Taka2024/gemma-2-27b-dpo-1）

推論手順

unsloth版のサンプルコード（Google Colab L4使用）をベースとし、推論は１時間以内で終了するようになっている。

# 必要なライブラリをインストール
%%capture
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install -U torch
!pip install -U peft

# 必要なライブラリを読み込み
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re

HF_TOKEN = "" #必要なトークンを設定してください

!huggingface-cli login --token $HF_TOKEN

# unslothのFastLanguageModelで元のモデルをロード。
dtype = None # Noneにしておけば自動で設定
load_in_4bit = True # 今回は27Bモデルを扱うためTrue

model_id = "Taka2024/gemma-2-27b-it-2_lora_merged"
adapter_dpo_id = "Taka2024/gemma-2-27b-dpo-1"

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

# 元のモデルにDPOのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_dpo_id, token = HF_TOKEN)

# タスクとなるデータの読み込み。
# 事前にデータをアップロードしてください。
datasets = []
with open("/content/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 = ""

# モデルを用いてタスクの推論。
# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
  input = dt["input"]

  prompt = f"""### あなたは日本人のための優秀なコンシェルジュです。指示には必ずわかりやすい日本語で回答してください。\n### 指示\n{input}\n### 回答\n"""

  inputs = tokenizer([prompt], return_tensors = "pt").to(model.device)

  outputs = model.generate(**inputs, max_new_tokens = 512, use_cache = True, do_sample=False, repetition_penalty=1.2)
  prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]

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

# 結果をjsonlで保存。

# ここではadapter_idを元にファイル名を決定しているが、ファイル名は任意で問題なし。
json_file_id = re.sub(".*/", "", "gemma-2-27b-dpo-1")
with open(f"/content/{json_file_id}_output_IF.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')

Uploaded model

• Developed by: Taka2024
• License: gemma
• Finetuned from model : google/gemma-2-27b

This gemma2 model was trained 2x faster with Unsloth and Huggingface's TRL library.