README.md

---
base_model: llm-jp/llm-jp-3-13b
---

# モデルの概要
このモデルは、松尾研大規模言語モデル講座2024の最終課題として作成された提出モデルです。
ベースとなるモデルは「llm-jp/llm-jp-3-13b」です。このベースモデルを元に以下のデータセットを用いて追加学習を行いました。
・ichikara-Instruction
・ELIZA-task-100
これらのデータセットを活用することで、モデルの指示対応能力とタスク処理能力を向上させています。

# 推論用コード
以下のコードを実行すると、HuggingFace上の本モデル「Gamoooo/llm-jp-3-13b-last」を実行して、最終課題用入力データ「elyza-tasks-100-TV_0.jsonl」（課題用オリジナルデータセット）を推論し、その結果を{json_file_id}-outputs.jsonlというファイルに出力できます。

### ライブラリーのインストール＆セットアップ
### Google Colab環境向けインストール手順
以下のコマンドをGoogle Colabのセルに入力して実行してください：
```
!pip install unsloth
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install -U torch
!pip install -U peft
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re
```

### Hugging FaceのTokenの指定
以下のコードを使用して、Hugging Faceのトークンを指定してください：
```
HF_TOKEN = "your-token" #@param {type:"string"}
```

### モデル・トークナイザの読み込み
### 量子化パラメータの設定
ベースモデルは13Bの大規模モデルであるため、量子化（4bit）を行います。
```
model_id = "llm-jp/llm-jp-3-13b" # ベースモデルのID
adapter_id = "Gamoooo/llm-jp-3-13b-last" # 本モデルのアダプタモデルID

dtype = None 
load_in_4bit = True # メモリ効率化のため4bit量子化を有効化

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    dtype=dtype,
    load_in_4bit=load_in_4bit,
    trust_remote_code=True,
)

model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)
```

### 入力データの準備
```
datasets = []
with open("./elyza-tasks-100-TV_0.jsonl", "r") as f:
    item = ""
    for line in f:
      line = line.strip()
      item += line
      if item.endswith("}"):
        datasets.append(json.loads(item))
        item = ""
```

### 推論実行
```
FastLanguageModel.for_inference(model)

results = []
for dt in tqdm(datasets):
    input = dt["input"]

    prompt = f"### 指示\n{input}\n次の要件を満たしてください：\n1. 簡潔に回答する。\n2. 必要なら箇条書きを使用して要点を整理する。\n3. 指示された内容に忠実に答える。\n### 回答\n"

    inputs = tokenizer([prompt], return_tensors="pt").to(model.device)

    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        use_cache=True,
        do_sample=False,
        repetition_penalty=1.2,
    )
    prediction = tokenizer.decode(outputs[0], skip_special_tokens=True).split('\n### 回答')[-1]

    results.append({"task_id": dt["task_id"], "input": input, "output": prediction})
```

### 出力の保存
```
json_file_id = re.sub(".*/", "", adapter_id)
with open(f"/content/{json_file_id}_output.jsonl", 'w', encoding='utf-8') as f:
    for result in results:
        json.dump(result, f, ensure_ascii=False)
        f.write('\n')
```