--- library_name: transformers tags: - llama-factory - BanBan - 板板 language: - en - zh datasets: - asadfgglie/BanBan-generated-dataset-v1 - asadfgglie/BanBan_2024-7-1_v1 pipeline_tag: image-text-to-text --- # asadfgglie/banban-beta-v2 AI VTuber板板模型。 目標是打造屬於NTNU VLSI的專屬AI VT! 目前僅開放給NTNU VLSI社員。如果你是社員，並想要取得本模型的權重，請至[Discord](https://discord.gg/kN8fNbscZR)聯繫我。 這個模型主要是使用了大量的AI合成資料來做訓練，輔以少量的人類數據來做訓練。 ### Model Description - **Developed by:** [asadfgglie](https://huggingface.co/asadfgglie) - **Funded by:** [asadfgglie](https://huggingface.co/asadfgglie) - **Shared by:** [asadfgglie](https://huggingface.co/asadfgglie) - **Model type:** llava - **Language(s) (NLP):** Image-text-to-text - **License:** 僅供NTNU VLSI社員內部研究使用 - **Finetuned from model:** [xtuner/llava-llama-3-8b-v1_1-transformers](https://huggingface.co/xtuner/llava-llama-3-8b-v1_1-transformers) ## Uses ~~接觸板板，理解板板，成為板板~~ 主要用於聊天與VT直播用，但目前能力僅供聊天用 ### Direct Use 你可以直接拿來當普通的AI助手來用，嗯，帶點食品偏好~~鳳梨狂熱~~的助手 ### Out-of-Scope Use 關於一些政治類問題我不建議你去問板板，主要原因是基底模型Llama3本身就被訓練會避開這些問題回答。 ## Bias, Risks, and Limitations 板板是一名狂熱的鳳梨披薩支持者，從現在是，以後未來也是。這是直接寫在訓練集與prompt中的設定，屬於刻在DNA裡的印記，是神聖不可分割的一部分! ### Recommendations 你必須接受鳳梨披薩才能理解板板 ## How to Get Started with the Model 首先你需要根據你的電腦硬體情況選擇模型。 你可以在[Files and versions](https://huggingface.co/asadfgglie/banban-beta-v0-gguf/tree/main)中挑選結尾有帶gguf附檔名的檔案，這是模型的權重檔案。 其中比較特殊的是`mmproj-model-f16.gguf`，這是讓板板睜眼的clip權重檔案。若你有讓板板睜眼的需求，記得別忘了下載這個檔案。 這是經過gguf量化後的模型，因此可以用在任何支援llama.cpp的部屬環境中。 關於如何選擇模型尺寸，最簡單的建議是將模型權重的檔案大小乘以2，如果你的顯卡專屬記憶體容量大於這個數，那你可以放心選擇。 至於各種不同量化設定對於模型智力與速度的影響，各位可以簡單理解為:模型權重檔案越大，模型精度就越高，能力就越強，速度也就越慢。對於至少有6B顯卡專屬記憶體(RTX 3050 6G、RTX 4060)，我推薦使用Q3量化級別的模型已取得最佳速度，並且保證不會有顯卡記憶體不足的問題，只要你別開著模型的同時打遊戲。 對於有10G或以上顯卡記憶體，可以選擇Q4、Q5級別的量化，這是在速度與性能上達到良好平衡的量化版本。 至於Q6、Q8，我建議是RTX 4080，但Q6量化有16G顯卡記憶體的話可以嘗試一下，應該能行。 F16則是原始精度，只是以gguf格式儲存，有RTX 4090玩過後可以告訴我效果如何。理論上應該會比我自己測試時還要好。因為我只能用量化過後的模型來測試QQ。 對於不會寫程式，只想嘗鮮的新手們，我的建議是[LM Studio](https://lmstudio.ai/)，這個免費的專案可以很方便地幫你搞定一切麻煩的設定，只是沒辦法使用自定義名稱，因此可能會無法體驗到最佳的對話效果。同時別忘了`mmproj-model-f16.gguf`這個板板的眼睛! (主要是因為這東西還沒把內部的對話紀錄儲存格式更新到與openAI最新版API相同的模樣，最新版的openAI API已經支援定義每個message的作者名稱設定了，llama3本身也設計過prompt格式，也有限度的支援自定義作者名稱) 如果你選擇使用[oobabooga/text-generation-webui](https://github.com/oobabooga/text-generation-webui)來做為你的推理平台，由於這個專案本身不支援對`llama.cpp`的多模態功能，因此板板只能生活在文字背後(~~當一個躲在鍵盤後的鍵盤俠~~) ## Technical Specifications ### Model Architecture and Objective LlavaForConditionalGeneration, turn base model into llama3 ### Compute Infrastructure #### Hardware CPU: Intel(R) Core(TM) i5-14400 GPU: NVIDIA GeForce RTX 4060 Ti 16G RAM: 32G #### Software 感謝偉大的[hiyouga/LLaMA-Factory](https://github.com/hiyouga/LLaMA-Factory)讓我省下了大把稿基建的時間 ## Training procedure ### Training hyperparameters The following hyperparameters were used during training: - learning_rate: 5e-05 - train_batch_size: 1 - eval_batch_size: 1 - seed: 42 - gradient_accumulation_steps: 16 - total_train_batch_size: 16 - optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08 - lr_scheduler_type: cosine - num_epochs: 3.0 ### Training results | Training Loss | Epoch | Step | Validation Loss | Input Tokens Seen | |:-------------:|:------:|:----:|:---------------:|:-----------------:| | 1.2315 | 0.4168 | 100 | 1.1917 | 1551832 | | 1.0165 | 0.8336 | 200 | 1.0467 | 3072864 | | 0.8943 | 1.2503 | 300 | 0.9339 | 4609344 | | 0.7505 | 1.6671 | 400 | 0.8318 | 6138408 | | 0.577 | 2.0839 | 500 | 0.7647 | 7672440 | | 0.5811 | 2.5007 | 600 | 0.7326 | 9211432 | | 0.5544 | 2.9174 | 700 | 0.7245 | 10741104 | | mratics | score | |:------------------------------:|:------------------:| | predict_bleu-4 | 22.36944225630876 | | predict_model_preparation_time | 0.0048 | | predict_rouge-1 | 41.827983993072735 | | predict_rouge-2 | 21.250519792182086 | | predict_rouge-l | 36.58219059871351 | | predict_runtime | 55992.1102 | | predict_samples_per_second | 0.072 | | predict_steps_per_second | 0.072 | ### Framework versions - PEFT 0.11.1 - Transformers 4.43.2 - Pytorch 2.3.0+cu121 - Datasets 2.19.2 - Tokenizers 0.19.1