watashiha/watashiha-gpt-6b

モデル概要

AWSのtrn1インスタンスを用いて開発した大喜利言語モデルです。
事前学習後に大喜利データでFine-tuningしています。

• Architecture: GPT2
• Vocab size: 44880
• Model size: 6B params
• License: Apache License 2.0
• Library: aws-neuron-reference-for-megatron-lm

学習データ

以下のコーパスを使用して、事前学習を行いました。その際のトークン数は477億トークンでした。

• C4の日本語データ
• CC-100の日本語データ
• OSCARの日本語データ
• Wikipediaの日本語ダンプデータ
• 自社データ

Fine-tuningは、693万件の大喜利データを用いて行いました。

使用方法

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "watashiha/watashiha-gpt-6b"
tokenizer = AutoTokenizer.from_pretrained(model_name, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16)

if torch.cuda.is_available():
    model = model.to("cuda")

text = "お題:ホラー映画の「○○○から逃げろ！」<SEP>回答:"
token_ids = tokenizer.encode(text, add_special_tokens=False, return_tensors="pt").to(model.device)

output_ids = model.generate(
    token_ids,
    do_sample=True,
    max_new_tokens=32,
    top_p=0.9,
    top_k=50,
    pad_token_id=tokenizer.pad_token_id,
    eos_token_id=tokenizer.eos_token_id,
)
output = tokenizer.decode(output_ids.tolist()[0], skip_special_tokens=True)
print(output)
"""お題:ホラー映画の「○○○から逃げろ！」<SEP>回答:怖いもの知らずの大学生"""

性能比較

以下は各モデルを同様の条件でFine-tuningし、出力させたボケをケータイ大喜利レジェンドに4段階で評価してもらった結果です。

圏外:お題を日本語として理解できていない
1本:お題を理解はできているがボケとして成立していない（面白みがない）
2本:ボケとして成立している（面白みがある）
3本:面白い（一定以上の面白さがある）

	圏外	1本	2本	3本
watashiha-gpt-6b	77	204	175	44
rinna/japanese-gpt-neox-3.6b	88	194	185	30
stabilityai/japanese-stablelm-base-alpha-7b	96	164	196	43
elyza/ELYZA-japanese-Llama-2-7b-fast	75	197	198	25

開発者

• 内田 達弥 (UCHIDA, Tatsuya)
• 小橋 洋平 (KOBASHI, Yohei)
• 黒木 修弥 (KUROKI, Shuya)
• 久保田 光 (KUBOTA, Hikaru)
• 竹之内 大輔 (TAKENOUCHI, Daisuke)