|
--- |
|
language: |
|
- zh |
|
- en |
|
tags: |
|
- codeshell |
|
- wisdomshell |
|
- pku-kcl |
|
- openbankai |
|
--- |
|
|
|
## Introduction |
|
|
|
Shell是[蚌壳智能](https://openbankai.com/)联合[北京大学知识计算实验室](http://se.pku.edu.cn/kcl/)在代码大模型[CodeShell](https://github.com/WisdomShell/codeshell)基础上训练的通用大模型基座。本仓库为Shell-7B预训练模型仓库。 |
|
|
|
Shell在保留Codeshell优异的代码能力的同时，具有以下特性： |
|
|
|
- **更全面的通用能力**：Shell在Codeshell的基础上继续预训练了1.5 T token的中英文语料，通用能力大幅提升。在语言、知识、推理等评测中，Shell均取得了优异的性能。 |
|
- **依旧强大的代码能力**：Shell在继续预训练的过程中，保留了20%高质量代码数据，使得Shell在获得通用能力的同时，依旧保留了CodeShell强大的代码能力。 |
|
- **更强大的语义理解能力**：Shell在继承Codeshell优异代码能力的同时，形成了强大的语义理解能力。相比LLaMA2-7B，Shell在RACE-Middle （+102%）、RACE-High（+98%）、OpenbookQA（+42%）等多个语义理解数据集取得更好的性能，达到同等规模开源大模型的领先水平。 |
|
|
|
本次我们同时发布了Shell-7B的base版本和chat版本，大家可以根据自身需求选择对应的模型。 |
|
|
|
- **[Shell-7B-Base](https://huggingface.co/WisdomShell/Shell-7B)**：具有强大语义理解能力的通用大模型，大家可以基于该模型微调自己的大模型。 |
|
- **[Shell-7B-Chat](https://huggingface.co/WisdomShell/Shell-7B-Chat)**：在Shell-7B-Base微调得到的对话预训练模型，直接下载使用即可获得流畅的对话体验。 |
|
|
|
|
|
## Performance |
|
|
|
我们共选取了16个经典数据集对Shell进行了全面评测，评测脚本详见[模型评测](https://github.com/WisdomShell/shell/edit/main/evaluation/README.md)。具体评测结果如下。 |
|
| Dataset | Baichuan2-7B-Base | LLaMA-2-7B | Shell-7B | |
|
| ------------ | ----------------- | ---------- | -------- | |
|
| C-Eval | 56.3 | 32.5 | 50.13 | |
|
| AGIEval | 34.6 | 21.8 | 30.69 | |
|
| MMLU | 54.7 | 46.8 | 49.49 | |
|
| CMMLU | 57 | 31.8 | 50.4 | |
|
| GAOKAO-Bench | 34.8 | 18.9 | 33 | |
|
| WiC | 50 | 50 | 50.47 | |
|
| CHID | 82.7 | 46.5 | 83.17 | |
|
| AFQMC | 58.4 | 69 | 69 | |
|
| WSC | 66.3 | 66.3 | 63.46 | |
|
| RACE(Middle) | 50.9 | 40.2 | 82.66 | |
|
| RACE(High) | 52.5 | 37.5 | 74.24 | |
|
| OpenbookQA | 32.8 | 57 | 79 | |
|
| GSM8K | 24.6 | 16.7 | 20.7 | |
|
| HumanEval | 17.7 | 12.8 | 23.96 | |
|
| MBPP | 24 | 14.8 | 31.4 | |
|
| BBH | 41.8 | 38.2 | 38.16 | |
|
|
|
## Requirements |
|
|
|
- python 3.8 and above |
|
- pytorch 2.0 and above are recommended |
|
- transformers 4.32 and above |
|
- CUDA 11.8 and above are recommended (this is for GPU users, flash-attention users, etc.) |
|
|
|
## Quickstart |
|
|
|
Shell系列模型已经上传至 <a href="https://huggingface.co/WisdomShell" target="_blank">Hugging Face</a>，开发者可以通过Transformers快速调用Shell-7B和Shell-Chat-7B。 |
|
|
|
在开始之前，请确保已经正确设置了环境，并安装了必要的代码包，以及满足上一小节的环境要求。你可以通过下列代码快速安装相关依赖。 |
|
|
|
``` |
|
pip install -r requirements.txt |
|
``` |
|
|
|
接下来你可以通过Transformers使用Shell。 |
|
|
|
### 加载Shell-7B-Base |
|
|
|
您可以通过Transformers加载Shell-7B-Base模型，Shell-7B-Base具备生成流畅自然语言的能力，您可以通过`generate`方法让模型生成相关的文字。 |
|
|
|
```python |
|
import torch |
|
from transformers import AutoModelForCausalLM, AutoTokenizer |
|
|
|
device = 'cuda' if torch.cuda.is_available() else 'cpu' |
|
tokenizer = AutoTokenizer.from_pretrained("WisdomShell/Shell-7B-Base") |
|
model = AutoModelForCausalLM.from_pretrained("WisdomShell/Shell-7B-Base", trust_remote_code=True, torch_dtype=torch.bfloat16).to(device) |
|
inputs = tokenizer('你好', return_tensors='pt').to(device) |
|
outputs = model.generate(**inputs) |
|
print(tokenizer.decode(outputs[0])) |
|
``` |
|
|
|
### 加载Shell-7B-Chat |
|
|
|
类似的，您可以通过Transformers加载Shell-7B-Chat模型，并通过`chat`方法与其进行对话。 |
|
|
|
```python |
|
import torch |
|
from transformers import AutoModelForCausalLM, AutoTokenizer |
|
|
|
device = 'cuda' if torch.cuda.is_available() else 'cpu' |
|
tokenizer = AutoTokenizer.from_pretrained("WisdomShell/Shell-7B-Chat") |
|
model = AutoModelForCausalLM.from_pretrained("WisdomShell/Shell-7B-Chat", trust_remote_code=True, torch_dtype=torch.bfloat16).to(device) |
|
history = [] |
|
output = model.chat('你是谁', history, tokenizer) |
|
print(output) |
|
``` |
|
|
|
### Shell in c/c++ |
|
|
|
由于大部分个人电脑没有GPU，Shell提供了C/C++版本的推理支持，开发者可以根据本地环境进行编译与使用，详见[Shell C/C++本地化版](https://github.com/WisdomShell/llama_cpp_for_codeshell)。 |
|
|
|
|
|
## Finetune |
|
|
|
我们同样提供了模型微调相关代码，大家可以按照示例数据的格式准备自己的数据，进行快速微调，具体请参考[模型微调](https://github.com/WisdomShell/shell/edit/main/finetune/README.md)。 |
|
|
|
其中，多轮对话微调数据格式如下。 |
|
|
|
```json |
|
[ |
|
{ |
|
"id": "identity_0", |
|
"conversations": [ |
|
{ |
|
"from": "human", |
|
"value": "你好" |
|
}, |
|
{ |
|
"from": "assistant", |
|
"value": "您好，我是Shell，请问有什么可以帮助您的吗？" |
|
} |
|
] |
|
} |
|
] |
|
``` |
|
|
|
## Demo |
|
|
|
我们提供了Web-UI、命令行、API三种形式的Demo。 |
|
|
|
### Web UI |
|
|
|
开发者通过下列命令启动Web服务，服务启动后，可以通过`https://127.0.0.1:8000`进行访问。 |
|
|
|
``` |
|
python demos/web_demo.py |
|
``` |
|
|
|
### CLI Demo |
|
|
|
我们也提供了命令行交互的Demo版本，开发者可以通过下列命令运行。 |
|
|
|
``` |
|
python demos/cli_demo.py |
|
``` |
|
|
|
### API |
|
|
|
Shell也提供了基于OpenAI API的部署方法。 |
|
|
|
``` |
|
python demos/openai_api.py |
|
``` |
|
|
|
启动后即可通过HTTP请求与Shell交互。 |
|
|
|
``` |
|
curl http://127.0.0.1:8000/v1/chat/completions \ |
|
-H "Content-Type: application/json" \ |
|
-d '{ |
|
"model": "Shell-7B-Chat", |
|
"messages": [ |
|
{ |
|
"role": "user", |
|
"content": "你好" |
|
} |
|
] |
|
}' |
|
``` |
|
|
|
## License |
|
|
|
社区使用Shell模型需要遵循[《Shell模型许可协议》](https://github.com/WisdomShell/shell/blob/main/License.pdf)及[Apache 2.0许可协议](https://www.apache.org/licenses/LICENSE-2.0)。Shell模型允许用于商业用途，但如果您计划将Shell模型或其派生产品用于商业用途，需要您确认主体符合以下条件： |
|
|
|
1. 关联方的服务或产品的每日平均活跃用户数（DAU）不能超过100万。 |
|
2. 关联方不得是软件服务提供商或云服务提供商。 |
|
3. 关联方不存在将获得授予的商业许可，在未经许可的前提下将其再授权给其他第三方的可能性。 |
|
|
|
在满足上述条件的前提下，您需要通过向[email protected]发送电子邮件，提交《Shell模型许可协议》要求的申请材料。经审核通过后，将授予您一个全球的、非排他的、不可转让的、不可再授权的商业版权许可。 |
|
|
