LLM-JP-3-13B ファインチューニングモデル

モデル詳細

    ベースモデル: llm-jp/llm-jp-3-13b
    ファインチューニングモデル: nmczzi/llm-jp-3-13b-finetune-1.1
    量子化: 4ビット量子化 (QLoRA)


インストール
必要なパッケージのインストール：

bash
pip install -U bitsandbytes transformers accelerate datasets peft

使用方法
以下は、モデルの基本的な使用例です：

python
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import PeftModel
import torch

HF_TOKEN = "有効なHuggingFaceトークン"

base_model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "nmczzi/llm-jp-3-13b-finetune-1.1"

# QLoRA設定
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
)

# モデルの読み込み
model = AutoModelForCausalLM.from_pretrained(
    base_model_id,
    quantization_config=bnb_config,
    device_map="auto",
    token=HF_TOKEN
)

# トークナイザーの読み込み
tokenizer = AutoTokenizer.from_pretrained(base_model_id, trust_remote_code=True, token=HF_TOKEN)

# ファインチューニングされたアダプターの読み込み
model = PeftModel.from_pretrained(model, adapter_id, token=HF_TOKEN)

# 使用例
prompt = "### 指示\nあなたの指示をここに入力してください\n### 回答\n"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(**inputs, max_new_tokens=100, do_sample=False, repetition_penalty=1.2)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)