Awesome
TigerBot
<p align="center" width="100%"> <img src="image/logo_core.png" alt="Tiger" style="width: 20%; display: block; margin: auto;"></img> </p> <p align="center"> <font face="黑体" color=orange size=5"> A cutting-edge foundation for your very own LLM. </font> </p> <p align="center"> <font face="黑体" color=orange size=5"> 以世界级的基础大模型,贡献于中国式的创新。 </font> </p> <p align="center"> 🌐 <a href="https://tigerbot.com/" target="_blank">TigerBot</a> • 🤗 <a href="https://huggingface.co/TigerResearch" target="_blank">Hugging Face</a> • 💻<a href="https://modelscope.cn/organization/TigerResearch" target="_blank">ModelScope</a> </p> <div align="center"> </div> <h4 align="left"> <p> <b>中文</b> | <a href="https://github.com/TigerResearch/TigerBot/blob/main/README_en.md">English</a> <p> </h4>最新发布
- [06/01/2024] 虎博TigerBot产品升级:搜索模式(search augmented)增加信息源链接。
-
[03/18/2024] 虎博TigerBot升级,支持100K上下文长度 (70b and 13b chat) :fire: [models];TigerBot医疗大模型被AAAI 2024 Spring Symposium on Clinical Foundation Models录取 [paper]。
# 可以根据实际硬件情况调整max_input/generate_length export PYTHONPATH='./' ; export CUDA_VISIBLE_DEVICES=0 ; streamlit run apps/web_demo.py -- --model_path tigerbot-70b-chat-v6 --rope_scaling yarn --rope_factor 8 --max_input_length 37888 --max_generate_length 62112
-
[01/18/2024] 新一代的TigerBot基座模型训练了我们认为最大最高质量的中文数据。为了验证,我们做了个有趣的测试:我们让Tigerbot-70b-chat和GPT-4-Turbo对战40局成语接龙,各先出20局。每局中无法成功接龙成语者输(以权威成语词典为准),比分 Tigerbot:GPT-4 = 24:16。 基于此,Tigerbot发布第一款基于大模型的小游戏[TigerBot成语接龙],移动端扫如下二维码参与,有机会赢取顶配iPhone Pro Max. :fire:
- 大模型的生成能力、世界知识、和随机性可以增加文字类游戏的可玩性和知识性,
- 适合的prompt激发出大模型的底层知识,即完成的游戏引擎的开发,
- 前端设计好游戏的互动性和即时反馈便可完成一款可玩的小游戏。
-
[12/29/2023] Tigerbot发表技术报告(arXiv preprint),分享我们在大模型狂飙和应用落地方面的一些技术细节和浅见 :fire: [paper]
-
[12/08/2023] Tigerbot family新版模型发布,bigger and better :fire: [模型下载][测评]
- Tigerbot-70b base (v2) and chat (v4)更新,chat模型综合能力比上一版提升19%;
- Tigerbot-13b base (v3) and chat (v5)更新,chat模型综合能力比上一版提升16%;
- Tigerbot-180b base and chat (v2)更新,base模型优于Bloom 7%, chat模型优于Bloomz/Bloomz-mt 20%;
- 训练数据:500B tokens预训练数据,知识截止到2023年8月。更多优质数据,包括:万卷,arXiv, 中文教科书,法律和专利等领域数据;
- 序列长度:70b-chat和13b-chat均推出4k长度训练版本,推理可外推到32k;
- 训练方法:预训练优化了TP/PP算法,对齐采用了grouped sft, rejection-sampling,dpo (稍后会分享技术报告);
- 全线产品(web, app, 小程序)和api均升级到最新最强的Tigerbot-70b-chat-v4-4k,产品端增加了search (搜索增加) and document (文件增强) RAG功能。
-
[10/19/2023] Long(16k)-Tigerbot 发布
- Tigerbot-13/70B web/api接口支持16k-token长度(约为20k字符,或20页的pdf或word文档,paper类的可直接作为context输入)。
- 基于YaRN方法,推理时对RoPE表示进行“高频维度不变,低频维度插值”的方式外推,以达到处理长序列的目的。
- Tigerbot优化了TGI框架,为每个请求根据输入序列长度与最大生成序列长度单独计算cos/sin值,同时保证总长度不大于2048时的效果不变,因此API用户需要选择一个更合适的max_new_token参数,并且不同的max_new_token参数可能会导致不同的结果。
- Tigerbot后续将会在训练阶段继续优化对长序列的支持。
-
[9/27/2023] Tigerbot-70b-chat-api发布function calling功能: [tech report][tigerbot-api]
- {user prompt, functions def} --> TigerBot --> 3rd party API --> TigerBot --> natural answers with accurate results.
- Tigerbot训练并没有专门使用function calling类的结构化抽取数据,但已经呈现出不错的理解和抽取能力,所以我们相信经过领域数据微调,function calling的表现会接近生产可用。
-
[9/26/2023] Tigerbot-70b-chat(v3)和Tigerbot-13b-chat(v4)更新发布: [模型下载]
- smaller batch for finer-grained gradient updates, global_batch_size=66 (pretrain_gbs=1920, v2_gbs=240). 我们认为,在高质量数据的前提下,对齐微调的gbs可以到~100K tokens, 更dense的updates和更充分的steps,导致更低的loss(如下图train and validation loss)。
- 增加了高质量对其数据,更好的多样性、丰富度和格式;根据前期用户反馈,去除了原对齐数据中的一些已知脏数据和不符合自然用户习惯的prompts数据;
- 在10+项基准评测中,综合能力均超过上一版本和Llama-2,达到SOTA.
-
[9/15/2023] Tigerbot-70b-chat(v2)和Tigerbot-13b-chat(v3)更新发布: [模型下载]
- 用更少但更高质量的数据,约5M指令完成数据,覆盖100+任务类型,符合自然用户分布;
- 用10K人类标注数据进行多维度对齐,包括:事实性,创造性,丰富性,安全性和格式等;
- 在10+项基准评测中,中英文综合能力均超过上一版本和Llama-2,达到SOTA.
-
[9/06/2023] Tigerbot-70b发布,继续开源和免费商用: [paper][模型下载]: fire:
- Tigerbot-70b-base: 在Llama-2-70b的基础上继续预训练,模型综合能力在mmlu等10项主流基准测试中,优于Llama-2-70b,达到业内SOTA;
- 用高质量的300 billion tokens的多语言数据,
- 算法上使用了GQA, flash-attn, RoPE,holistic-training等技术,
- 训练采用了tensor/pipeline-partition技术,计算效率达到Llama-2 paper中报告的SOTA;
- Tigerbot-70b-chat: 在Tigerbot-70b-base基础上,用20M指令完成数据进行sft,和10K人类标注的gold set进行rejection-sampling对齐;
- 同步开放Tigerbot-70b-chat-api,继续对教育和科研开发者免费。
- Tigerbot-70b-base: 在Llama-2-70b的基础上继续预训练,模型综合能力在mmlu等10项主流基准测试中,优于Llama-2-70b,达到业内SOTA;
-
[8/25/2023] TigerBot更新13b-base模型: [模型下载][测评]
- TigerBot-13B-base: 增加了一倍训练数据,至600B
tokens,定向增加了高质量中英文数学推理类和科学文献类数据,优化了中文网络数据的清洗(在格式、口语、知识性等方面)。在13项主流基准评测中,英文综合能力优于Llama-2-13b
5%,中文超30%。[测评]
- 开放了基于opencompass 的自动评测体系,以提倡reproducibility。[测评]
- TigerBot-13B-base: 增加了一倍训练数据,至600B
tokens,定向增加了高质量中英文数学推理类和科学文献类数据,优化了中文网络数据的清洗(在格式、口语、知识性等方面)。在13项主流基准评测中,英文综合能力优于Llama-2-13b
5%,中文超30%。[测评]
-
[8/21/2023] TigerBot更新发布7b和13b base/chat模型: [模型下载][测评]
- TigerBot-7B-base: 基于Llama-2-7B增量预训练300B tokens,补充了Llama-2不足的中文、代码和推理等数据,并使用holistic training(全局训练)方法;在13项中英文主流benchmark中,优于Llama-2-7B 33%,领先于国内外同等开源模型;
- TigerBot-7B-chat: 基于TigerBot-7B-base用20M涵盖多任务的数据进行指令微调(sft)和拒绝采样对齐(rs-hil);在13项中英文主流benchmark中,优于Llama-2-7B-chat 29%,亦领先于国内外同等开源模型;
- TigerBot-13B-chat: 基于TigerBot-13B-base用20M涵盖多任务的数据进行指令微调(13b-v1用了5M数据),并在中英文能力上做了更好的权衡;在13项中英文主流benchmark中,优于Llama-2-13B-chat 15%,领先于国内外同等开源模型;
- 以上tigerbot-api也同步更新 [tigerbot-api]。
-
[8/19/2023] TigerBot推理(tigerbot.com和tigerbot-api)启用 TGI,达到3x QPS和2x 响应速度。
https://github.com/TigerResearch/TigerBot/assets/32117316/0a8c11b9-6a10-4e37-80e8-45b482e76c51
-
[8/08/2023] TigerBot 2023.08 (V3) release: 虎博很高兴的发布TigerBot-13B大模型,在Llama-2的基础上以虎博积累的技术和数据继续训练,不但保持了Llama-2出色的英文能力,更是在中文能力上填补了Llama-2的不足,各项主流中文任务中超过Llama-2的49%,在开源同类模型中具有竞争力。: fire: [paper]
- TigerBot-13B-base: 基于Llama-2-13B继续预训练300B tokens,扩充了中文词表到60K vocabulary, 并采用holistic training在预训练中直接使模型具有九成的指令完成能力。在主流英文基准测试中超过Llama-2-13B-base的7%,在中文测试中综合能力超过Llama-2-13B-base的49%,在国内外主流开源基座模型中处于领先位置。[测评][模型下载]
- TigerBot-13B-chat: 基于TigerBot-13B-base用5M指令数据微调,并采用rejection sampling
fine-tune对齐人类需求。在主流英文基准测试中达到Llama-2-13B-chat的101%,在中文测试中综合能力超过Llama-2-13B-chat的47%,在国内外主流开源模型中亦处于领先位置。chat模型可以通过
python infer.py --model_path TigerResearch/tigerbot-13b-chat
使用。[测评][模型下载] - TigerBot-API: chat和summarization api 将自动升级到TigerBot-13B-chat,对科研教育用户免费,对商用开发者保持价格不变。[tigerbot-api]
-
[8/03/2023] TigerBot 兼容 OpenAI 接口。[tigerbot-api]
-
[7/26/2023] TigerBot 开放 search-api [tigerbot-api]
-
[7/08/2023] TigerBot 2023.07 (V2) release [paper] :fire:
-
tigerbot-7b-base (v2), 在 1.5TB 高质量数据上充分预训练(千卡耗时 4 周,算力成本~ 300 万),在中英文公开数据测评优于 bloom/llama 同等模型 15-30%;[测评][模型下载]
-
tigerbot-7b-sft (v2), 在 base-v2 基础上微调的 sft-v2 在 2000 万/20G 高质量清洗和配比的数据上充分训练,在 9 项公开语料测评上优于 sft-v1 9.3%;[测评][模型下载]
新模型可通过以下代码加载:
import transformers # 下载过旧版的用户需要指定`force_download=True`避免使用旧版缓存 model_sft = transformers.AutoModelForCausalLM.from_pretrained('TigerResearch/tigerbot-7b-sft', force_download=True) model_base = transformers.AutoModelForCausalLM.from_pretrained('TigerResearch/tigerbot-7b-base', force_download=True)
-
tigerbot 开启搜索模式,对接主流中英文搜索引擎,和结构化工具(如天气,股市,计算器等),打开 LLM+search 的应用场景,同时开放 chat-api with internet search switch;[TigerBot with search mode (default off) :earth_asia:][paper]
-
tigerbot 开启流式生成模式,同时开放 chat-api with streaming switch; [TigerBot][TigerBot-API]
-
tigerbot-api 全新升级,开放 LLM 应用开发常用的 api 工具,包括:LLM (chat, plugin, finetune), text (embedding, summarization, pdf2text), vision (text2image)。[TigerBot-API]
-
-
[6/27/2023] PEFT TigerBot with QLoRA: 在单张 3090 上使用 qlora 微调 tigerbot-7b-sft,加速 16 倍,和/或减少 GPU3/4,同时防止了对下游数据的过拟合。[code] [paper][模型下载]
- [6/26/2023] TigerBot now is on desktop! 使用 TigerBot 和 Svelte 框架制作的聊天机器人,感谢 @SaraiQX !
- [6/20/2023] Tigerbot 的云端 api 如何在 langchian 中替代 openai 来应用(<a href="https://github.com/TigerResearch/TigerBot/blob/main/apps/tigerbot_chatapi.py">sample code</a>) 感谢 @wordweb !
- [6/13/2023] plug-in api 升级,放出:搜索结果数量、prompt 前缀和 tf-idf, embedding mixture weights
- [6/13/2023] 模型已支持更迅速的本地下载
- [6/13/2023] TigerBot now is on QQ! 基于本地知识库的 TigerBot 大语言模型 qq 群知识库 bot 应用实现,感谢 @wordweb !
- [6/09/2023] 新增 stream infer 和 web demo,感谢 @Tlntin !
- [6/08/2023] TigerBot 已经可以在colab, windows, langchain 和 webui上跑啦,感谢 @wordweb @runfuture !
目录
环境安装
conda create --name tigerbot python=3.8
conda activate tigerbot
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
git clone https://github.com/TigerResearch/TigerBot
cd TigerBot
pip install -r requirements.txt
模型下载
Model | Version | Architecture | Disk size (GB) | Note |
---|---|---|---|---|
tigerbot-70b-base | v2 [🤗][🤖] | llama-2 | 129 | From llama-2-70b weights |
v1 [🤗][🤖] | llama-2 | 129 | From llama-2-70b weights | |
tigerbot-70b-chat | v6 [🤗][🤖] | llama-2 | 129 | From tigerbot-70b-base v2 |
v4-4k [🤗][🤖] | llama-2 | 129 | From tigerbot-70b-base v2 | |
v4 [🤗][🤖] | llama-2 | 129 | From tigerbot-70b-base v2 | |
v3 [🤗][🤖] | llama-2 | 129 | From tigerbot-70b-base v1 | |
v2 [🤗][🤖] | llama-2 | 129 | From tigerbot-70b-base v1 | |
v1 [🤗] | llama-2 | 129 | From tigerbot-70b-base v1 | |
tigerbot-70b-chat-4bit | v6 [🤗] | llama-2 | 37 | From tigerbot-70b-chat v6 |
v4 [🤗] | llama-2 | 37 | From tigerbot-70b-chat v4 | |
v3 [🤗] | llama-2 | 37 | From tigerbot-70b-chat v3 | |
v2 [🤗] | llama-2 | 37 | From tigerbot-70b-chat v2 | |
v1 [🤗] | llama-2 | 37 | From tigerbot-70b-chat v1 | |
tigerbot-13b-base | v3 [🤗][🤖] | llama-2 | 26.6 | From llama-2-13b weights |
v2 [🤗][🤖] | llama-2 | 26.6 | From llama-2-13b weights | |
v1 [🤗] | llama-2 | 26.6 | From llama-2-13b weights | |
tigerbot-13b-chat | v6 [🤗][🤖] | llama-2 | 26.6 | From tigerbot-13b-base v3 |
v5 [🤗][🤖] | llama-2 | 26.6 | From tigerbot-13b-base v3 | |
v5 [🤗][🤖] | llama-2 | 26.6 | From tigerbot-13b-base v3 | |
v4 [🤗][🤖] | llama-2 | 26.6 | From tigerbot-13b-base v2 | |
v3 [🤗][🤖] | llama-2 | 26.6 | From tigerbot-13b-base v2 | |
v2 [🤗] | llama-2 | 26.6 | From tigerbot-13b-base v2 | |
v1 [🤗] | llama-2 | 26.6 | From tigerbot-13b-base v1 | |
tigerbot-13b-chat-4bit | v6 [🤗] | llama-2 | 11.5 | From tigerbot-13b-chat v6 |
v5 [🤗] | llama-2 | 11.5 | From tigerbot-13b-chat v5-4k | |
v4 [🤗] | llama-2 | 11.5 | From tigerbot-13b-chat v4 | |
tigerbot-7b-base | v3 [🤗][🤖] | llama-2 | 13.9 | From llama-2-7b weights |
v2 [🤗] | bloom | 16.2 | From bloom weights | |
v1 [🤗] | bloom | 16.2 | From bloom weights | |
tigerbot-7b-chat | v3 [🤗][🤖] | llama-2 | 13.9 | From tigerbot-7b-base v3 |
v2 [🤗] | bloom | 16.2 | From tigerbot-7b-base v2 | |
v1 [🤗] | bloom | 16.2 | From tigerbot-7b-base v1 | |
tigerbot-7b-chat-8bit | v3 [🤗] | llama-2 | 10.8 | From tigerbot-7b-chat v3 |
tigerbot-7b-chat-4bit | v3 [🤗] | llama-2 | 6.5 | From tigerbot-7b-chat v3 |
tigerbot-180b-base | v2 [🤗][🤖] | bloom | 347.6 | From bloom weights |
tigerbot-180b-chat | v2 [🤗][🤖] | bloom | 347.6 | From tigerbot-180b-chat v2 |
v1 [🤗] | bloom | 347.6 | From bloom weights |
推理
CLI
CUDA_VISIBLE_DEVICES=0 python infer.py --model_path tigerbot-13b-chat --max_input_length 1024 --max_generate_length 1024 --streaming True
参数:
--model_path
: 模型路径--model_type=chat
: base/chat--max_input_length=1024
: 最大输入长度--max_generate_length=1024
: 最大输出长度--rope_scaling=None
: 长度外推方法(dynamic/yarn supported now)--rope_factor=8.0
: 外推参数--streaming
: 流式输出
输入 clear
可以清空对话历史,输入 exit
终止推理对话。
WebPage
export PYTHONPATH='./' ; export CUDA_VISIBLE_DEVICES=0 ; streamlit run apps/web_demo.py -- --model_path tigerbot-13b-chat
启动量化模型的web_demo
export PYTHONPATH='./' ; export CUDA_VISIBLE_DEVICES=0 ; streamlit run apps/exllamav2_web_demo.py -- --model_path TigerResearch/tigerbot-70b-chat-v4-4bit-exl2
参数同CLI启动参数
本地API
CLI/WebPage均为demo性质。TGI实现了混合batch,request queue等工程特性,如有大量推理需求,推荐通过TGI镜像提供服务。
docker run --gpus '"device=0,1,2,3"' -d -p 8080:80 -v PATH-TO-MODEL-DIR:/model ghcr.io/huggingface/text-generation-inference:1.1.1 --model-id /model --max-total-tokens=1024 --max-input-length=1024 --max-batch-prefill-tokens=1024
请根据模型规模与硬件情况选择合适的参数。一般来说7B/13B需要A100 40G * 1,70B需要A100 * 4。
注意,TGI部署服务,生成控制参数需要在每个请求中控制。
量化
exllamav2量化推理
使用exllamav2加载[TigerResearch/tigerbot-70b-chat-v4-4bit-exl2]进行推理,推理速度加快
# 安装exllamav2
git clone https://github.com/turboderp/exllamav2
cd exllamav2
pip install -r requirements.txt
# 启动推理
CUDA_VISIBLE_DEVICES=0 python other_infer/exllamav2_hf_infer.py --model_path ${MODEL_PATH}
MODEL_PATH
为量化模型路径,如 TigerResearch/tigerbot-70b-chat-v4-4bit-exl2
使用以上量化方式,请将transformers、bitsandbytes等包升级到最新版(目前transformers==4.33.1和bitsandbytes==0.41.1可以正常使用)
pip install -U transformers bitsandbytes
动态量化模型加载
此方式为在线量化与推理
CUDA_VISIBLE_DEVICES=0 python other_infer/quant_infer.py --model_path ${MODEL_DIR} --wbit 8
训练
预训练
启动训练前安装 DeepSpeed
git clone git@github.com:microsoft/DeepSpeed.git
cd DeepSpeed
rm -rf build
TORCH_CUDA_ARCH_LIST="8.0" DS_BUILD_CPU_ADAM=1 DS_BUILD_UTILS=1 pip install . \
--global-option="build_ext" --global-option="-j8" --no-cache -v \
--disable-pip-version-check 2>&1 | tee build.log
TORCH_CUDA_ARCH_LIST 根据你运行的 GPU 架构做调整,获取 TORCH_CUDA_ARCH_LIST
CUDA_VISIBLE_DEVICES=0 python -c "import torch; print(torch.cuda.get_device_capability())"
如果返回的结果是(8, 0),那么 TORCH_CUDA_ARCH_LIST="8.0"
启动训练
启动tigerbot-7b
训练至少需要 1 x A100 (40GB), 启动tigerbot-180b
至少需要 16 x A100 (40GB)
deepspeed \
--include="localhost:0,1,2,3" \
./train_clm.py \
--deepspeed ./ds_config/ds_config_zero3.json \
--model_name_or_path TigerResearch/tigerbot-7b-base \
--dataset_name TigerResearch/dev_pretrain \
--do_train \
--output_dir ./ckpt-clm \
--overwrite_output_dir \
--preprocess_num_workers 8 \
--num_train_epochs 5 \
--learning_rate 1e-5 \
--evaluation_strategy steps \
--eval_steps 10 \
--bf16 True \
--save_strategy steps \
--save_steps 10 \
--save_total_limit 2 \
--logging_steps 10 \
--tf32 True \
--per_device_train_batch_size 2 \
--per_device_eval_batch_size 2
微调
启动训练
deepspeed \
--include="localhost:0,1,2,3" \
./train_sft.py \
--deepspeed ./ds_config/ds_config_zero3.json \
--model_name_or_path TigerResearch/tigerbot-7b-base \
--dataset_name TigerResearch/dev_sft \
--do_train \
--output_dir ./ckpt-sft \
--overwrite_output_dir \
--preprocess_num_workers 8 \
--num_train_epochs 5 \
--learning_rate 1e-5 \
--evaluation_strategy steps \
--eval_steps 10 \
--bf16 True \
--save_strategy steps \
--save_steps 10 \
--save_total_limit 2 \
--logging_steps 10 \
--tf32 True \
--per_device_train_batch_size 2 \
--per_device_eval_batch_size 2
测评
我们使用经典的中英文benchmark自动评测,共13项任务,涵盖代码,常识推理,阅读理解,数学,自然语言理解等。我们基于opencompass建立自动评测体系(感谢@opencompass)
# 安装
cd opencompass
pip install -e .
# 下载数据集到 data/ 处
wget https://github.com/InternLM/opencompass/releases/download/0.1.1/OpenCompassData.zip
unzip OpenCompassData.zip
#运行测评任务:
CUDA_VISIBLE_DEVICES=0,1,2 python run.py configs/eval_tigerbot_13b.py -w outputs/tigerbot-13b-base
总分为各类任务的平均分
chat模型测评结果
base模型测评结果
开源数据集
预训练数据
<details> 基于 GPT3 的 pretrain 的数据分布,采集中文书籍,互联网,和百科类数据,并通过数据源质量分过滤和 tf-idf soft deduping,从 20TB 数据过滤到 2TB,保持语言和类目的比例,并在此基础上随机抽样 100G 数据开源:-
<a href=https://huggingface.co/datasets/TigerResearch/pretrain_zh>中文开源预训练集 - 55G,包含中文书籍、中文互联网、中文百科 - 下载 [hugging face]</a>
-
<a href=https://huggingface.co/datasets/TigerResearch/pretrain_en>英文开源预训练集 - 51G,包含英文书籍、英文互联网、英文百科 - 下载 [hugging face]</a>
类型 磁盘占用 来源 中文书籍 12G 自研 中文互联网 25G 自研 中文百科 19G 自研 英文书籍 22G 开源 英文互联网 6.9G 开源 英文百科 22G 开源 总量 106G -
完整预训练数据占比如图所示:
- 中文书籍及代码细分:
微调数据
<details> <summary><b>数据搜集</b></summary>模型中使用的微调数据的搜集思想如下:
a. 从用户指令的自然分布,人工标注总结 10 大类,120 小类任务,例如,事实性问答,开放式创作,语法分析,代码编辑等;
b. self-instruct: 参考 Alpaca self-instruct 方法,扩充中英文 seed_tasks,增加一些中文习惯种子问题,基于此生成 2M 中文(本次开源 0.5M)及 0.1M 英文(本次开源 50k);
c. human-labeling: 基于人工写题及答案、网络搜集方式,整理加工问答集数据,在开源列表中标识为[自研]部分,本次开放部分数据;
d. open-source data cleaning: 基于各类公开数据集转换清洗,其中[自研*]部分,表示基于原始数据进行二次开发后得到,[开源] 部分数据集一般原始数据即为较规整的问答数据,进行简单清洗得到;
e. 总的数据分布符合用户指令自然分布。
</details> <details> <summary><b>数据清洗</b></summary> - 由于各类数据质量存在差异,通过 Alpaca Self-Instruct 生成的数据亦存在各种问题。因此,我们经过细致的人工校验和分类,总结出一套全面且系统化的数据清洗规则与方法。 - 整体规则可以划分为**过滤类规则**和**清洗类规则**两大类。其中,命中过滤规则的数据项将被弃用,而清洗规则旨在处理并保留所需的数据。 - 同时,在数据梳理与积累的过程中,我们也不断对清洗规则进行迭代和优化。 - 通用清洗规则描述如下所示:a. 过滤类-敏感词规则:基于积累的敏感词库,清洗丢弃涉政、涉黄、涉暴、涉恐等数据项;
b. 过滤类-无效输入输出:此类规则主要针对 Self-Instruct 生成数据缺陷进行专项清理,根据输入输出分别制定规则,以丢弃一些无效的数据项;
无效输入如"<一段文本>",无效输出如"[图画]";
c. 清洗类-关键词规则:根据整理的关键词/正则列表进行数据的替换,包括:清理特殊标志位字符、清理非可见字符、清理标签、繁简转换等;
d. 清洗类-特殊逻辑规则:此类规则用于清洗一些特殊现象数据,如指令与输入重复等,如下所示:
</details> <details> <summary><b>数据开源</b></summary> - 指令数据集, 当前开源 120W 问答对,磁盘空间 1.1G (数据集开放到 huggingface,中英文指令明细及下载如下表) - <a href=https://huggingface.co/datasets/TigerResearch/sft_zh>中文-微调指令集-合集 - 53W 条 - 下载 [hugging face]</a> - <a href=https://huggingface.co/datasets/TigerResearch/sft_en>英文-微调指令集-合集 - 67W 条 - 下载 [hugging face]</a>
{"instruction": "描述如何做一道红烧肉。请提供食材和详细的步骤。", "input": "请描述如何做一道红烧肉,提供食材和详细步骤。", ...}
类型 | 语言 | 数据集 | 数量 | 来源 |
---|---|---|---|---|
alpaca 中文 | 中文 | tigerbot-alpaca-zh-0.5m | 0.5m | 自研 |
百科问答 | 中文 | tigerbot-wiki-qa-1k | 1k | 自研 |
名著问答 | 中文 | tigerbot-book-qa-1k | 1k | 自研 |
猜谜语 | 中文 | tigerbot-riddle-qa-1k | 1k | 自研 |
阅读理解 | 中文 | tigerbot-superclue-c3-zh-5k | 5k | 自研* |
问答 | 中文 | tigerbot-HC3-zh-12k | 12k | 开源 |
知乎问答 | 中文 | tigerbot-zhihu-zh-10k | 10k | 开源 |
alpaca 英文 | 英文 | tigerbot-alpaca-en-50k | 50k | 自研 |
头脑风暴 | 英文 | tigerbot-dolly-Brainstorming-en-1.7k | 1.7k | 开源 |
分类 | 英文 | tigerbot-dolly-Classification-en-2k | 2k | 开源 | |
代码 | 英文 | tigerbot-kaggle-leetcodesolutions-en-2k | 2k | 自研* |
食谱生成 | 英文 | tigerbot-kaggle-recipes-en-2k | 2k | 开源 |
病历生成 | 英文 | tigerbot-mt-note-generation-en | 450 | 开源 |
多轮对话 | 英文 | tigerbot-OIG-multichat-en-50k | 50k | 自研* |
综合问答 | 英文 | tigerbot-stackexchange-qa-en-0.5m | 0.5m | 开源 |
wiki 问答 | 英文 | tigerbot-wiki-qa-bart-en-10k | 10k | 开源 |
如何做类教程 | 英文 | tigerbot-youtube-howto-en-50k | 50k | 开源 |
总量 | 120W 条 |
</details>更多数据集陆续整理开放中...
领域数据
<details> 开放金融、法律、百科相关领域数据,作为 rethink 外部数据源类型 | 数量 |
---|---|
金融-研报 | 2W 篇 |
金融-财报 | 2500 篇 |
法律 | 11 类 5.5W 条款 |
百科 | 10W 词条 |
Tigerbot API
<details>chat
<details><summary><b>示例</b></summary> <img src="image/api/demo/chat.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> <img src="image/api/demo/chat2.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>plugin
<details><summary><b>示例</b></summary> <img src="image/api/demo/plugin.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>finetune
<details><summary><b>示例</b></summary> <img src="image/api/demo/finetune.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>embedding
<details><summary><b>示例</b></summary> <img src="image/api/demo/embedding.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>summarization
<details><summary><b>示例</b></summary> <img src="image/api/demo/summarization.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>pdf2text
<details><summary><b>示例</b></summary> <img src="image/api/demo/pdf2text.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details>text2image
<details><summary><b>示例</b></summary> <img src="image/api/demo/text2image.png" alt="tigerbot chat-api sample" style="width: 65%; display: block"> </details> </details>其他
<details><summary><b>案例</b></summary> ![image](./image/api/case-1.png) ![image](image/api/case-2.png) ![image](image/api/case-3.png) ![image](image/api/case-4.png) ![image](image/api/case-5.png) ![image](image/api/case-6.png) </details> <details><summary><b>开发者生态</b></summary>- 使用 TigerBot 和 Svelte 框架制作的聊天机器人,可快速打包成桌面应用
- 基于本地知识库的 TigerBot 大语言模型 qq 群知识库 bot 应用实现
- 基于本地知识库的 TigerBot、ChatGLM 等大语言模型应用实现
- Run TigerBot on Colab - Colab 版本体验 TigerBot
- Run TigerBot on Windows - 在 Windows 系统上使用 TigerBot
产品链接
联系电话
021-63888086
联系邮箱
<p>cong.fu@tigerbot.com</p> <p>wei.cai@tigerbot.com</p>微信讨论群
<img src="image/qiyewechat.png" alt="Tiger" style="width: 260px; "></a>
</details> <details><summary><b>局限性与免责声明</b></summary> 当前模型可能存在生成幻觉、误导性、或歧视性内容。请谨慎使用 TigerBot 系列模型生成的内容,请勿将生成的有害内容进行传播。 如需将模型公开使用或者商用,模型服务所产生的不良影响或者有害言论由服务方负责,本项目开发者不承担任何因使用本项目(包含但不限于数据、模型、代码等)导致的危害或损失。 </details>