metadata
license: apache-2.0
language:
- ja
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。
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)