Model
- base model: meta-llama/Meta-Llama-3-8B-Instruct
Dataset
Load Model
Use the following Python code to load the model:
from transformers import AutoTokenizer, AutoModelForCausalLM
path = 'youjunhyeok/llama3-8b-ko-sft-v1'
model = AutoModelForCausalLM.from_pretrained(path)
tokenizer = AutoTokenizer.from_pretrained(path)
Chat
def chat(message):
messages = [
{"role": "system", "content": "당신은 인공지능 어시트턴트입니다. 친절하고 정확한 답변을 해주세요."},
{"role": "user", "content": message},
]
input_ids = tokenizer.apply_chat_template(
messages,
add_generation_prompt=True,
return_tensors="pt"
).to(model.device)
terminators = [
tokenizer.eos_token_id,
tokenizer.convert_tokens_to_ids("<|eot_id|>")
]
outputs = model.generate(
input_ids,
max_new_tokens=512,
eos_token_id=terminators,
do_sample=True,
temperature=0.6,
top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))
chat('근로자가 부당해고를 당했을 때 구제받기 위한 절차와 요건은 무엇인가?')
Output
근로자가 부당해고를 당했을 때 구제받기 위한 절차와 요건은 다음과 같습니다:
1. 근로자: 근로자는 부당해고를 당한 경우, 근로기준법 등 관련 법률에 따라 구제를 받을 수 있습니다.
2. 부당해고: 부당해고란, 근로자에게 적법한 절차를 거치지 않고 해고된 경우를 말합니다. 근로기준법 등 관련 법률에 따라 부당해고의 기준과 구제절차가 정해져 있습니다.
3. 구제절차: 근로자가 부당해고를 당한 경우, 다음과 같은 구제절차를 거칠 수 있습니다:
- 근로기준법 제28조에 따라 근로자에게 부당해고를 당한 경우, 근로기준법상 부당해고를 받은 근로자는 근로감독관에게 신고할 수 있습니다. 근로감독관은 근로자에게 구제를 제공하고, 근로자에게 부당해고를 당한 경우에 대한 적법한 절차를 수행합니다.
- 근로기준법 제30조에 따라 근로자는 근로감독관에게 구제를 요청할 수 있습니다. 근로감독관은 근로자의 요청에 따라 구제를 제공하고, 근로자에게 부당해고를 당한 경우에 대한 적법한 절차를 수행합니다.
4. 요건: 근로자가 구제를 받기 위해서는 다음과 같은 요건을 충족해야 합니다:
- 근로자: 근로자는 근로기준법 등 관련 법률에 따라 근로자로 정의되는 경우에 구제를 받을 수 있습니다.
- 부당해고: 근로자는 부당해고를 당한 경우에 구제를 받을 수 있습니다. 부당해고란, 근로기준법 등 관련 법률에 따라 정의된 경우에 해당합니다.
- 구제절차: 근로자는 구제절차를 거쳐야 합니다. 구제절차는 근로기준법 등 관련 법률에 따라 정의된 경우에 해당합니다.
요약하면, 근로자가 부당해고를 당했을 때 구제받기 위해서는 근로기준법 등 관련 법률에 따라 구제절차를 거치고, 근로
BenchMark (KOR)
# alias
A = youjunhyeok/llama3-8b-ko-sft-v1
B = DavidAhn/Llama-3-8B-slerp-262k
C = meta-llama/Meta-Llama-3-8B
D = chihoonlee10/T3Q-ko-solar-dpo-v7.0 (24.05.24 ko 리더보드 1등)
| Benchmark (macro_f1) | A | B | C | D |
|---|---|---|---|---|
| kobest_boolq (0-shot) | 84.7 | 33.5 | 38.2 | 34.1 |
| kobest_boolq (5-shot) | 85.4 | 68.8 | 83.8 | 93.1 |
| kobest_copa (0-shot) | 60.6 | 58.5 | 63.1 | 81.0 |
| kobest_copa (5-shot) | 67.2 | 61.7 | 69.1 | 91.0 |
| kobest_hellaswag (0-shot) | 40.0 | 43.2 | 42.1 | 55.1 |
| kobest_hellaswag (5-shot) | 42.4 | 45.3 | 44.2 | 55.2 |
| kobest_sentineg (0-shot) | 52.1 | 34.8 | 51.5 | 82.7 |
| kobest_sentineg (5-shot) | 89.4 | 85.8 | 94.7 | 91.4 |
BenchMark (ENG)
# alias
A = youjunhyeok/llama3-8b-ko-sft-v1
B = DavidAhn/Llama-3-8B-slerp-262k
C = meta-llama/Meta-Llama-3-8B
| A | B | C | |
|---|---|---|---|
| openbookqa | 0.342 | 0.312 | 0.338 |
| hellaswag | 0.555 | 0.587 | 0.576 |
| boolq | 0.824 | 0.832 | 0.831 |
| arc_easy | 0.758 | 0.808 | 0.815 |
| arc_challenge | 0.464 | 0.518 | 0.529 |
Llama_factory Train Command
{data_dir}, {dataset_name}, {output_dir} is variable
llamafactory-cli train \
--stage sft \
--do_train True \
--model_name_or_path meta-llama/Meta-Llama-3-8B-Instruct \
--preprocessing_num_workers 16 \
--finetuning_type lora \
--template llama3 \
--flash_attn auto \
--dataset_dir {data_dir} \
--dataset {dataset_name} \
--cutoff_len 1024 \
--learning_rate 5e-05 \
--num_train_epochs 2.0 \
--max_samples 400000 \
--per_device_train_batch_size 8 \
--gradient_accumulation_steps 8 \
--lr_scheduler_type cosine \
--max_grad_norm 1.0 \
--logging_steps 50 \
--save_steps 1000 \
--warmup_steps 1000 \
--optim adamw_torch \
--resize_vocab True \
--packing False \
--report_to none \
--output_dir {output_dir} \
--fp16 True \
--plot_loss True \
--ddp_timeout 180000000 \
--include_num_input_tokens_seen True \
--lora_rank 8 \
--lora_alpha 16 \
--lora_dropout 0.05 \
--lora_target all
- Downloads last month
- 39