metadata
license: apache-2.0
datasets:
- BelleGroup/train_1M_CN
- BAAI/COIG
- silk-road/alpaca-data-gpt4-chinese
language:
- zh
tags:
- gogpt-7b
GoGPT
GoGPT:ICT中英文底座增强大模型,基于Llama/Llama 2训练的底座大模型,参数规模包括70亿参数、130亿参数
模型部署
🤗Huggingface上提供了GoGPT权重，目前开放了gogpt-7b和gogpt2-7b权重
| 模型名称 | 基座模型 | 模型大小 | 下载地址 |
|---|---|---|---|
| golaxy/gogpt-7b | Llama-7b | 7B | 模型下载 |
| golaxy/gogpt2-7b | Llama2-7b | 7B | 模型下载 |
训练细节
step1：训练分词器
├── data
│ └── corpus.txt 训练语料
├── llama
│ ├── tokenizer_checklist.chk
│ └── tokenizer.model
├── merged_tokenizer_hf 合并结果 hf格式
│ ├── special_tokens_map.json
│ ├── tokenizer_config.json
│ └── tokenizer.model
├── merged_tokenizer_sp
│ └── open_llama.model #
├── merge_tokenizer
│ └── tokenizer.model
├── open_llama.model 训练的sp模型
├── open_llama.vocab 训练的sp词汇表
├── README.md
├── step0_step0_process_text.py 基于多分数据集准备训练语料
├── step1_make_corpus.py 基于中文Wikipedia数据准备训练语料
├── step2_train_tokenzier.py 训练分词器
├── step3_tokenzier_segment.py 测试训练后的模型，包括编码和解码测试样例
└── step4_merge_tokenizers.py 与原版llama的分词器进行合并，得到hf格式的tokenizer
step2：二次预训练
在中文预训练语料上对LLaMA进行增量预训练、继续预训练
step3: 有监督微调
- belle数据：120k数据 v1
- stanford_alapca：52k数据 v2
- sharegpt:90k数据
step4: 强化学习
TODO
免责声明
本项目相关资源仅供学术研究之用，严禁用于商业用途。 使用涉及第三方代码的部分时，请严格遵循相应的开源协议。
模型生成的内容受模型计算、随机性和量化精度损失等因素影响，本项目不对其准确性作出保证。
对于模型输出的任何内容，本项目不承担任何法律责任，亦不对因使用相关资源和输出结果而可能产生的任何损失承担责任。
研究与开发团队
本项目由网络数据科学与技术重点实验室GoGPT团队完成，团队指导老师为郭嘉丰研究员。