1. 云东方首页
  2. 工具软件

 Yi 系列模型是 01.AI 从零训练的下一代开源大语言模型。

• 工具软件

  •  Yi 系列模型是 01.AI 从零训练的下一代开源大语言模型。

  • 🙌 Yi 系列模型是一个双语语言模型，在 3T 多语言语料库上训练而成，是全球最强大的大语言模型之一。Yi 系列模型在语言认知、常识推理、阅读理解等方面表现优异。例如，

    • Yi-34B-Chat 模型在 AlpacaEval Leaderboard 排名第二，仅次于 GPT-4 Turbo，超过了 GPT-4、Mixtral 和 Claude 等大语言模型（数据截止至 2024 年 1 月）。

    • Yi-34B 模型在 Hugging Face Open LLM Leaderboard（预训练）与 C-Eval 基准测试中荣登榜首，在中文和英文语言能力方面均超过了其它开源模型，例如，Falcon-180B、Llama-70B 和 Claude（数据截止至 2023 年 11 月）。

    • 🙏 （致谢 Llama ）感谢 Transformer 和 Llama 开源社区，不仅简化了开发者从零开始构建大模型的工作，开发者还可以利用 Llama 生态中现有的工具、库和资源，提高开发效率。

    如果你对 Yi 使用 Llama 架构及其许可使用政策感兴趣，参阅 「Yi 与 Llama 的关系」。 

[ 返回顶部 ⬆️ ]

最新动态

🎯 2024-01-23： 发布并开源了 和 多模态语言大模型。Yi-VL-34BYi-VL-6B

Yi-VL-34B在 MMMU 和 CMMMU 最新的基准测试中荣登榜首（数据截止至 2024 年 1 月）。

🎯 2023-11-23： 发布并开源了六大 Chat 模型。
🔔 2023-11-23： Yi 系列模型社区许可协议更新至 2.1 版本。
🔥 2023-11-08： Yi-34B-Chat 模型开始邀请测试。
🎯 2023-11-05： 发布并开源了 和 Base 模型。Yi-6B-200KYi-34B-200K
🎯 2023-11-02： 发布并开源了 和 模型。Yi-6B-BaseYi-34B-Base

[ 返回顶部 ⬆️ ]

模型

Yi 系列模型有多种参数规模，适用于不同的使用场景。你也可以对Yi模型进行微调，从而满足特定需求。

如需部署 Yi 系列模型，应确保软件和硬件满足「部署要求」.

Chat 模型

模型下载
Yi-34B-聊天室• 🤗 拥抱脸 • 🤖 ModelScope
Yi-34B-聊天-4位• 🤗 拥抱脸 • 🤖 ModelScope
Yi-34B-聊天-8位• 🤗 拥抱脸 • 🤖 ModelScope
Yi-6B-聊天室• 🤗 拥抱脸 • 🤖 ModelScope
Yi-6B-聊天-4位• 🤗 拥抱脸 • 🤖 ModelScope
Yi-6B-Chat-8位• 🤗 拥抱脸 • 🤖 ModelScope

– 4-bits 系列模型由AWQ量化。
– 8-bits 系列模型由GPTQ量化。
– 所有量化模型的使用门槛较低，因此可以在消费级GPU（例如，3090、4090）上部署。

Base 模型

模型下载
易-34B• 🤗 拥抱脸 • 🤖 ModelScope
一-34B-200K• 🤗 拥抱脸 • 🤖 ModelScope
易-6B• 🤗 拥抱脸 • 🤖 ModelScope
易-6B-200K• 🤗 拥抱脸 • 🤖 ModelScope

– 200K 大约相当于 40 万个汉字。

其它信息

  • Chat 和 Base 模型：

    • 6B 系列模型适合个人和学术使用。

    • 34B 系列模型适合个人、学术和商业用途（尤其对中小型企业友好）。34B 模型尺寸在开源社区属于稀缺的”黄金比例”尺寸，已具大模型涌现能力，适合发挥于多元场景，满足开源社区的刚性需求。

    • 默认的上下文窗口是 4k tokens。

    • 预训练的 tokens 数量是 3T。

    • 训练数据截至 2023 年 6 月。

  • Chat 模型

    关于 Chat 模型的局限性，参阅以下解释。⬇️

[ 返回顶部 ⬆️ ]

📌 如何使用 Yi？

快速上手

你可以选择一条学习路径，开始使用 Yi 系列模型。

选择学习路径

你可以根据自身需求，选择以下方式之一，开始你的 Yi 之旅。

 

🎯 在本地部署 Yi

如果你想在本地部署 Yi 模型，

  • 🙋 ♀️ 并且你有足够的资源（例如，NVIDIA A800 80GB），你可以选择以下方式之一。
  • 🙋 ♀️ 但你的资源有限（例如，一台 MacBook Pro），你可以使用 llama.cpp。

🎯 不在本地部署 Yi 模型

如果你不想在本地部署 Yi 模型，你可以选择以下方式之一。

🙋 ♀️ 使用 Yi API

如果你想探索 Yi 的更多功能，你可以选择以下方式之一。

  • Yi APIs （Yi 官方）

    • 部分申请者已获取 Yi API keys。Yi 将开放更多 API keys，敬请期待。

  • Yi APIs （Replicate，第三方网站）

🙋 ♀️ 使用 Yi Playground

如果你想与 Yi 聊天，并使用更多自定义选项（例如，系统提示、温度、重复惩罚等），你可以选择以下方式之一。

🙋 ♀️ 使用 Yi Chat

以下提供了类似的用户体验，你可以选择以下方式之一，与 Yi 聊天。

  • Yi-34B-Chat（Yi 官方 – 拥抱脸）

    • 不需要注册。

  • Yi-34B-Chat（Yi 官方）

    • 如需使用官方在线聊天服务，欢迎申请加入白名单（填写英文或中文申请表）。

[ 返回顶部 ⬆️ ]

快速上手 – PyPi （pip install）

本教程在配置为 A800（80GB） 的本地机器上运行 Yi-34B-Chat， 并进行推理。

第 0 步：前提条件

  • 确保安装了 Python 3.10 以上版本。

  • 如果你想运行 Yi 系列模型，参阅「部署要求」。

第 1 步：准备环境

如需设置环境，安装所需要的软件包，运行下面的命令。

git clone https://github.com/01-ai/Yi.git
cd yi
pip install -r requirements.txt

第 2 步：下载模型

你可以从以下来源下载 Yi 模型。

第 3 步：进行推理

你可以使用 Yi Chat 模型或 Base 模型进行推理。

使用 Yi Chat 模型进行推理

  1. 创建一个名为 的文件，并将以下内容复制到该文件中。quick_start.py

    from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = '<your-model-path>'

tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False)

# Since transformers 4.35.0, the GPT-Q/AWQ model can be loaded using AutoModelForCausalLM.
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype='auto'
).eval()

# Prompt content: "hi"
messages = [
    {"role": "user", "content": "hi"}
]

input_ids = tokenizer.apply_chat_template(conversation=messages, tokenize=True, add_generation_prompt=True, return_tensors='pt')
output_ids = model.generate(input_ids.to('cuda'))
response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)

# Model response: "Hello! How can I assist you today?"
print(response)

  2. 运行 代码。quick_start.py

    python quick_start.py

    你将得到一个类似输出，如下所示。🥳

    Hello! How can I assist you today?
使用 Yi Base 模型进行推理

步骤与「使用 Yi Chat 模型进行推理」类似。

你可以使用现有文件 text_generation.py进行推理。

python demo/text_generation.py  --model <your-model-path>
你将得到一个类似输出，如下所示。🥳 ⬇️

[ 返回顶部 ⬆️ ]

快速上手 – Docker

🚀 教程：在本地 Docker 上运行 Yi-34B-Chat。⬇️

快速上手 – conda-lock

🚀 如需创建一个可以完全重现的 conda 环境锁定文件，你可以使用 工具。⬇️conda-lock

快速上手 – llama.cpp

🚀 教程：在本地 llama.cpp 上运行 Yi-chat-6B-2bits。⬇️

[ 返回顶部 ⬆️ ]

快速上手 – 使用 Web demo

你可以使用 Yi Chat 模型（Yi-34B-Chat）创建 Web demo。注意：Yi Base 模型（Yi-34B）不支持该功能。

第一步：准备环境

第二步：下载模型

第三步：启动 Web demo 服务，运行以下命令。

python demo/web_demo.py -c <你的模型路径>

命令运行完毕后，你可以在浏览器中输入控制台提供的网址，来使用 Web demo 功能。

[ 返回顶部 ⬆️ ]

微调

bash finetune/scripts/run_sft_Yi_6b.sh

完成后，你可以使用以下命令，比较微调后的模型与 Base 模型。

bash finetune/scripts/run_eval.sh
你可以使用 Yi 6B 和 34B Base 模型的微调代码，根据你的自定义数据进行微调。⬇️

[ 返回顶部 ⬆️ ]

量化

GPT-Q 量化

python quantization/gptq/quant_autogptq.py \  --model /base_model                      \  --output_dir /quantized_model            \  --trust_remote_code

如需评估生成的模型，你可以使用以下代码。

python quantization/gptq/eval_quantized_model.py \
  --model /quantized_model                       \
  --trust_remote_code
详细的量化过程。⬇️

AWQ 量化

python quantization/awq/quant_autoawq.py \  --model /base_model                      \  --output_dir /quantized_model            \  --trust_remote_code

如需评估生成的模型，你可以使用以下代码。

python quantization/awq/eval_quantized_model.py \
  --model /quantized_model                       \
  --trust_remote_code
详细的量化过程。⬇️

[ 返回顶部 ⬆️ ]

部署

如果你想部署 Yi 模型，确保满足以下软件和硬件要求。

软件要求

在使用 Yi 量化模型之前，确保安装以下软件。

模型 软件
Yi 4-bits 量化模型 AWQ 和 CUDA
Yi 8-bits 量化模型 GPTQ 和 CUDA

硬件要求

部署 Yi 系列模型之前，确保硬件满足以下要求。

Chat 模型

模型最低显存推荐GPU示例
Yi-6B-聊天室15 千兆字节RTX 3090
RTX 4090
A10
A30
Yi-6B-聊天-4位4 千兆字节RTX 3060
RTX 4060
Yi-6B-Chat-8位8 千兆字节RTX 3070
RTX 4060
Yi-34B-聊天室72 千兆字节4 x RTX 4090
A800 （80GB）
Yi-34B-聊天-4位20 千兆字节RTX 3090
RTX 4090
A10
A30
A100 （40GB）
Yi-34B-聊天-8位38 千兆字节2 个 RTX 3090
2 个 RTX 4090
A800 （40GB）

以下是不同 batch 使用情况下的最低显存要求。

模型 批次=1 批次=4 批次=16 批次=32
Yi-6B-聊天室 12 千兆字节 13 千兆字节 15 千兆字节 18千兆字节
Yi-6B-聊天-4位 4 千兆字节 5千兆字节 7 千兆字节 10 千兆字节
Yi-6B-Chat-8位 7 千兆字节 8 千兆字节 10 千兆字节 14千兆字节
Yi-34B-聊天室 65 千兆字节 68千兆字节 76千兆字节 > 80 GB
Yi-34B-聊天-4位 19 千兆字节 20 千兆字节 30 千兆字节 40 千兆字节
Yi-34B-聊天-8位 35 千兆字节 37 千兆字节 46千兆字节 58 千兆字节
Base 模型

模型最低显存推荐GPU示例
易-6B15 千兆字节RTX3090
RTX4090
A10
A30
易-6B-200K50 千兆字节A800 （80 GB）
易-34B72 千兆字节4 x RTX 4090
A800 （80 GB）
一-34B-200K200 千兆字节4 个 A800 （80 GB）

学习中心

如果你想学习如何使用 Yi 系列模型，这里有丰富的学习资源。⬇️

📌 为什么选择 Yi？

生态

Yi 生态为你提供一系列工具、服务和模型，你将获得丰富的体验，最大程度提升工作工作效率。

上游

Yi 系列模型遵循与 Llama 相同的模型架构。选择 Yi，你可以利用 Llama 生态中现有的工具、库和资源，无需创建新工具，提高开发效率。

例如，Yi 系列模型以 Llama 模型的格式保存。你可以直接使用 和 加载模型，使用以下代码。LlamaForCausalLMLlamaTokenizer

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("01-ai/Yi-34b", use_fast=False)

model = AutoModelForCausalLM.from_pretrained("01-ai/Yi-34b", device_map="auto")

[ 返回顶部 ⬆️ ]

下游

💡 提示

  • 如果你开发了与 Yi 相关的服务、模型、工具、平台或其它内容，欢迎提交 PR，将你的成果展示在 Yi 生态。

  • 为了帮助他人快速理解你的工作，建议使用的格式。<模型名称>: <模型简介> + <模型亮点>

下游 – 服务

如果你想在几分钟内开始使用 Yi，你可以使用以下基于 Yi 构建的服务。

下游 – 量化

如果资源有限，你可以使用 Yi 的量化模型，如下所示。

这些量化模型虽然精度降低，但效率更高，例如，推理速度更快，RAM 使用量更小。

下游 – 微调

如果你希望探索 Yi 的其它微调模型，你可以尝试以下方式。

下游 – API

  • amazing-openai-api：此工具可以将 Yi 模型 API 转换成 OpenAI API 格式。
  • LlamaEdge：你可以通过该工具快速部署 Yi-34B-Chat 并开始聊天。该工具由 Rust 语言开发，使用可移植的 Wasm（WebAssembly）文件构建了一个与 OpenAI 兼容的 API 服务器。

[ 返回顶部 ⬆️ ]

基准测试

Chat 模型性能

Yi-34B-Chat 模型表现出色，在 MMLU、CMMLU、BBH、GSM8k 等所有开源模型的基准测试中排名第一。

 

测评方法与挑战 ⬇️

Base 模型性能

Yi-34B 和 Yi-34B-200K 模型在开源模型中脱颖而出，尤其在 MMLU、CMMLU、常识推理、阅读理解等方面表现卓越。

 

测评方法 ⬇️

📌 谁可以使用 Yi？

答案是所有人!🙌 ✅

关于如何使用 Yi 系列模型，参阅「许可证」。

[ 返回顶部 ⬆️ ]

📌 其它

致谢

我们对每位火炬手都深表感激，感谢你们为 Yi 社区所做的贡献。因为有你们，Yi 不仅是一个项目，还成为了一个充满活力的创新社区。我们由衷地感谢各位小伙伴！

 

本文贡献者

Yi Readme 中文版由以下贡献者完成，排名不分先后，以用户名首字母顺序排列。

[ 返回顶部 ⬆️ ]

免责声明

在训练过程中，我们使用数据合规性检查算法，最大程度地确保训练模型的合规性。由于数据复杂且语言模型使用场景多样，我们无法保证模型在所有场景下均能生成正确合理的回复。注意，模型仍可能生成有误的回复。对于任何因误用、误导、非法使用、错误使用导致的风险和问题，以及与之相关的数据安全问题，我们均不承担责任。

[ 返回顶部 ⬆️ ]

许可证

本仓库中的源代码遵循 Apache 2.0 许可证。Yi 系列模型完全开放，你可以免费用于个人用途、学术研究和商业用途。如需商用，你仅需提交申请，即能立刻自动获取 Yi 系列模型商用许可，而无需等待官方审批。所有使用必须遵守《Yi系列模型社区许可协议 2.1》。

[ 返回顶部 ⬆️ ]

原创文章，作者：校长，如若转载，请注明出处：https://www.yundongfang.com/Yun287744.html

赞 (0)
打赏 微信扫一扫不于多少！ 微信扫一扫不于多少！ 支付宝扫一扫礼轻情意重 支付宝扫一扫礼轻情意重
上一篇 2024年3月6日
下一篇 2024年3月6日

相关推荐