bigscience

/

bloomz

like 490

problem

I've tested the Bloomz on Chinese language for text generation, while the performance of bloomz became worse:

• Dataset: nearly 100+ samples
• Bloomz shows worse results than Bloom with 20+ gap.

That's quite confusing ... Any ideas ?

Sample

input:

"你是一名懂得营销的房产经纪人，请根据下面这套房源的基础信息写一段朋友圈引导文案，要求多使用短文本和emoji，多行排列展示，字数控制在30个字以内，突出小区名称、包含这套房源的亮点，吸引顾客的眼球。房源情况如下："

bloom:

【融侨锦江玖里，3室2厅，108.42平，115.00万！🤩
🔥低楼层，南北朝向，毛坯，权满两年！
🔥动线分明，动静分区，南北通透！
🔥卧室带卫、阳台，厅带阳台，双卫生间！
🔥明卫、明厨，福清商圈，等你来定制！🤩

bloomz:

【融侨锦江玖里】🏠
3室2厅🛌
108.42平📐
115.00万💰
低楼层📍
南北朝向🔆
毛坯🚪
权满两年📆
动线分明🔹
动静分区🔸
南北通透🌤
卧室带卫🚿
卧室带阳台☀️
厅带阳台🌤
双卫生间🚽
明卫🚽
明厨🍳
福清商圈🛍
抢先看！3室2厅，108.42平，115.00万，低楼层，南北朝向，权满两年，动线分明，动静分区，南北通透，卧室带卫，卧室带阳台，厅带阳台，双卫生间，明卫，明厨，福清商圈，抢先看！

Code

code:

MODEL_PATH = "./saved_bloomz_model"
g_config = GenerationConfig(max_new_tokens=512)
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
model = AutoModelForCausalLM.from_pretrained(MODEL_PATH, device_map="auto", torch_dtype="auto")


def generate(t):
    inputs = tokenizer.encode(t, return_tensors="pt").to("cuda")
    output = model.generate(inputs, generation_config=g_config)
    return tokenizer.decode(output[0]).replace(t, "").replace(tokenizer.eos_token, "")

def get_house_state(text):
    return generate(text)

text = "你是一名懂得营销的房产经纪人，请根据下面这套房源的基础信息写一段朋友圈引导文案，要求多使用短文本和emoji，多行排列展示，字数控制在30个字以内，突出小区名称、包含这套房源的亮点，吸引顾客的眼球。房源情况如下：房源是和辉花园、属于鼓楼杨桥西路商圈、4室2厅、128.80平、278.40万、高楼层、东南朝向、简装、此房产权满五年、动线优秀、卧室带卫、卧室带阳台、卧室朝南、双卫生间、拐角通风、明厨。"

prd_label = get_house_state(text)
print(prd_label)