4.9K 17K 102

Canarim-7B

Canarim-7B é um modelo de grande linguagem baseado no LLaMa2-7B pré-treinado em 16 bilhões de tokens em português.

Logotipo Camarim


Canarim-7B

Canarim-7B é um modelo de grande linguagem em português desenvolvido por Maicon Domingues.

Descrição do Modelo

O modelo foi pré-treinado em 16 bilhões de tokens do subconjunto em português do CommonCrawl 2023-23, começando com os pesos do LLaMA2-7B. Os dados de pré-treinamento têm corte de meados de 2023.

Principais Características

  • Idioma: Especializado em entender e gerar texto em português, tornando-o ideal para aplicações voltadas para públicos que falam português.
  • Arquitetura: Herda a arquitetura robusta do LLaMA2-7B, garantindo desempenho eficiente e resultados precisos.
  • Conjunto de Dados Diverso: O conjunto de dados de pré-treinamento inclui uma ampla gama de tópicos e estilos de escrita, aprimorando a capacidade do modelo de entender diversos contextos e nuances em português.

Aplicações

Canarim-7B foi treinado exclusivamente com um objetivo de modelagem de linguagem e não foi ajustado para seguir instruções. Portanto, é mais adequado para tarefas de poucos exemplos em vez de tarefas de zero exemplos. Isso significa que o modelo tende a ter um desempenho melhor quando fornecido com alguns exemplos do resultado desejado durante o uso. Aqui estão algumas aplicações práticas:

  • Compreensão de Linguagem Natural (NLU): Eficiente em tarefas como análise de sentimentos, classificação de tópicos e reconhecimento de entidades em texto em português, especialmente quando exemplos relevantes são fornecidos.
  • Geração de Linguagem Natural (NLG): Capaz de gerar texto coerente e contextualmente relevante, útil para criação de conteúdo, chatbots e mais, com resultados melhorados quando fornecidos exemplos do estilo ou formato desejado.
  • Tradução de Idiomas: Adequado para tradução de alta qualidade entre português e outros idiomas, especialmente quando exemplos das traduções desejadas são incluídos durante o treinamento ou ajuste fino do modelo.

Dicas para Uso Eficiente

  • Aprendizado com Poucos Exemplos: Ao usar o Canarim-7B para tarefas específicas, é benéfico fornecer alguns exemplos relevantes. Isso ajuda o modelo a entender melhor o contexto e o propósito da tarefa.
  • Contextualização: Incluir contexto adicional na entrada pode melhorar significativamente a qualidade das previsões do modelo e da geração de texto.

Começando

Para começar a usar o Canarim-7B com a biblioteca Transformers, primeiro instale a biblioteca, se ainda não o fez:

!pip install transformers
 
from transformers import AutoTokenizer, pipeline
import torch
 
model_id = "dominguesm/canarim-7b"
tokenizer = AutoTokenizer.from_pretrained(model_id)
 
pipe = pipeline(
    "text-generation",
    model=model_id,
    torch_dtype=torch.float16,
    device_map="auto",
)
 
prompt = "Me fale sobre o Brasil"
sequences = pipe(
    prompt,
    do_sample=True,
    num_return_sequences=1,
    eos_token_id=tokenizer.eos_token_id,
    max_length=2048,
    temperature=0.9,
    top_p=0.6,
    repetition_penalty=1.15
)

Este trecho de código demonstra como gerar texto com o Canarim-7B. Você pode personalizar o texto de entrada e ajustar parâmetros como max_length de acordo com suas necessidades.

Como Citar

Se você quiser citar o Canarim-7B, você pode usar a seguinte citação:

@misc {maicon_domingues_2023,
	author       = { {Maicon Domingues} },
	title        = { canarim-7b (Revision 08fdd2b) },
	year         = 2023,
	url          = { https://huggingface.co/dominguesm/canarim-7b },
	doi          = { 10.57967/hf/1356 },
	publisher    = { Hugging Face }
}

Citações

@misc{touvron2023llama,
      title={Llama 2: Open Foundation and Fine-Tuned Chat Models},
      author={Hugo Touvron and Louis Martin and Kevin Stone and Peter Albert and Amjad Almahairi and Yasmine Babaei and Nikolay Bashlykov and Soumya Batra and Prajjwal Bhargava and Shruti Bhosale and Dan Bikel and Lukas Blecher and Cristian Canton Ferrer and Moya Chen and Guillem Cucurull and David Esiobu and Jude Fernandes and Jeremy Fu and Wenyin Fu and Brian Fuller and Cynthia Gao and Vedanuj Goswami and Naman Goyal and Anthony Hartshorn and Saghar Hosseini and Rui Hou and Hakan Inan and Marcin Kardas and Viktor Kerkez and Madian Khabsa and Isabel Kloumann and Artem Korenev and Punit Singh Koura and Marie-Anne Lachaux and Thibaut Lavril and Jenya Lee and Diana Liskovich and Yinghai Lu and Yuning Mao and Xavier Martinet and Todor Mihaylov and Pushkar Mishra and Igor Molybog and Yixin Nie and Andrew Poulton and Jeremy Reizenstein and Rashi Rungta and Kalyan Saladi and Alan Schelten and Ruan Silva and Eric Michael Smith and Ranjan Subramanian and Xiaoqing Ellen Tan and Binh Tang and Ross Taylor and Adina Williams and Jian Xiang Kuan and Puxin Xu and Zheng Yan and Iliyan Zarov and Yuchen Zhang and Angela Fan and Melanie Kambadur and Sharan Narang and Aurelien Rodriguez and Robert Stojnic and Sergey Edunov and Thomas Scialom},
      year={2023},
      eprint={2307.09288},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Licença

Canarim-7B é liberado sob o LLAMA 2 COMMUNITY LICENSE AGREEMENT.

Open PT LLM Leaderboard Evaluation Results

Resultados detalhados podem ser encontrados aqui.

MetricValue
Avg.47.36
ENEM (3-Shot)25.96
BLUEX (3-Shot)29.76
OAB Exams (3-Shot)31.48
ASSIN2 RTE (15-shot)71.96
ASSIN2 STS (15-shot)13.33
FAQUAD NLI (15-shot)49.09
HateBR (25-shot)78.48
PT Hate Speech (25-shot)63.73
tweetSentBR (25-shot)62.38

Open LLM Leaderboard Evaluation Results

Resultados detalhados podem ser encontrados aqui.

MetricValue
Avg.48.63
AI2 Reasoning Challenge (25-Shot)51.96
HellaSwag (10-Shot)77.52
MMLU (5-Shot)40.92
TruthfulQA (0-shot)40.03
Winogrande (5-shot)71.43
GSM8k (5-shot)9.93