nmczzi/llm-jp-3-13b-finetune-4

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-4
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-4"

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)