360Zhinao2-7B：360推出自研360智脑大模型的升级版

2024-12-03 326

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

NLP 自学习平台，3个模型定制额度 1个月

NLP自然语言处理_高级版，每接口累计50万次

NLP自然语言处理_基础版，每接口每天50万次

简介： 360Zhinao2-7B是360自研的AI大模型360智脑7B参数升级版，涵盖基础模型及多种上下文长度的聊天模型。该模型在语言理解与生成、聊天能力、数学逻辑推理等方面表现出色，支持多语言和多上下文长度，适用于多种商业应用场景。

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

模型升级：360Zhinao2-7B是360智脑7B参数的升级版，采用全新的多阶段训练方式和更优质的数据处理策略。
功能强大：模型支持语言理解与生成、聊天能力、数学逻辑推理等多项功能，适用于多种商业场景。
技术领先：在国内外同尺寸开源模型中，360Zhinao2-7B在中文能力、IFEval指令遵循7B和复杂数学推理能力方面均排名第一。

正文（附运行示例）

360Zhinao2-7B是什么

公众号: 蚝油菜花 - 360zhinao2

360Zhinao2-7B是360自研的AI大模型360智脑7B参数升级版，涵盖基础模型及多种上下文长度的聊天模型。该模型是继360Zhinao1-7B之后的重要更新，基于采用全新的多阶段训练方式和更优质的数据处理策略，提升中英文通用能力，增强模型的数学逻辑推理能力。

在国内外同尺寸开源模型中，360Zhinao2-7B在中文能力、IFEval指令遵循7B和复杂数学推理能力方面均排名第一。模型的长文本微调能力在各个长文本benchmark上也位列第一梯队。

360Zhinao2-7B的主要功能

语言理解与生成：能理解和生成中文和英文文本，适用于多种语言处理任务。
聊天能力：提供强大的聊天功能，支持生成流畅、相关且准确的对话回复。
多上下文长度支持：具有不同上下文长度的聊天模型，能处理从4K到360K不同长度的对话历史。
数学逻辑推理：在数学问题解答和逻辑推理方面表现出色，能处理复杂的数学问题。
多语言支持：除中文，模型也支持英文，能在不同语言的数据集上进行训练和推理。
商业应用：支持免费商用，适用于教育、医疗、智能客服等多个商业场景。

360Zhinao2-7B的技术原理

大规模预训练：采用两阶段训练方法，首先进行大规模的无差别数据训练，然后增加高质量数据的比例，进行第二阶段训练。
大量数据训练：模型训练涉及10T（万亿）个token的第一阶段训练和100B（百亿）个token的第二阶段训练。
Transformer架构：基于Transformer架构，一种深度学习模型，广泛应用于自然语言处理任务。
自注意力机制：模型使用自注意力机制处理输入序列中的每个元素，让模型能理解单词或短语之间的复杂关系。
上下文建模：聊天模型支持不同长度的上下文，能根据对话历史生成回复，要求模型具备良好的上下文建模能力。
优化策略：采用余弦退火等学习率调度策略，优化训练过程；采用BF16（Brain Floating Point 16）等混合精度训练技术，提高训练效率和减少内存使用。

如何运行 360Zhinao2-7B

依赖安装

python >= 3.8
pytorch >= 2.0
transformers >= 4.37.2
CUDA >= 11.4

pip install -r requirements.txt

可选安装Flash-Attention 2以提高性能和减少内存占用。

FLASH_ATTENTION_FORCE_BUILD=TRUE pip install flash-attn==2.3.6

🤗 Transformers

基础模型推理示例

from transformers import AutoTokenizer, AutoModelForCausalLM
from transformers.generation import GenerationConfig

MODEL_NAME_OR_PATH = "qihoo360/360Zhinao2-7B-Base"

tokenizer = AutoTokenizer.from_pretrained(
    MODEL_NAME_OR_PATH, 
    trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME_OR_PATH,
    device_map="auto",
    trust_remote_code=True)

generation_config = GenerationConfig.from_pretrained(
    MODEL_NAME_OR_PATH,
    trust_remote_code=True)

inputs = tokenizer('中国二十四节气\n1. 立春\n2. 雨水\n3. 惊蛰\n4. 春分\n5. 清明\n', return_tensors='pt')
inputs = inputs.to(model.device)

pred = model.generate(input_ids=inputs["input_ids"], generation_config=generation_config)
print("outputs:\n", tokenizer.decode(pred.cpu()[0], skip_special_tokens=True))

聊天模型推理示例

from transformers import AutoTokenizer, AutoModelForCausalLM
from transformers.generation import GenerationConfig

MODEL_NAME_OR_PATH = "qihoo360/360Zhinao2-7B-Chat-4K"

tokenizer = AutoTokenizer.from_pretrained(
    MODEL_NAME_OR_PATH, 
    trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME_OR_PATH,
    device_map="auto",
    trust_remote_code=True)

generation_config = GenerationConfig.from_pretrained(
    MODEL_NAME_OR_PATH,
    trust_remote_code=True)

messages = []
#round-1
messages.append({
   "role": "user", "content": "介绍一下刘德华"})
response = model.chat(tokenizer=tokenizer, messages=messages, generation_config=generation_config)
messages.append({
   "role": "assistant", "content": response})
print(messages)

#round-2
messages.append({
   "role": "user", "content": "他有什么代表作？"})
response = model.chat(tokenizer=tokenizer, messages=messages, generation_config=generation_config)
messages.append({
   "role": "assistant", "content": response})
print(messages)

🤖 ModelScope

基础模型推理示例

from modelscope import AutoModelForCausalLM, AutoTokenizer
from modelscope import GenerationConfig

MODEL_NAME_OR_PATH = "qihoo360/360Zhinao2-7B-Base"

tokenizer = AutoTokenizer.from_pretrained(
    MODEL_NAME_OR_PATH, 
    trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME_OR_PATH,
    device_map="auto",
    trust_remote_code=True)

generation_config = GenerationConfig.from_pretrained(
    MODEL_NAME_OR_PATH,
    trust_remote_code=True)

inputs = tokenizer('中国二十四节气\n1. 立春\n2. 雨水\n3. 惊蛰\n4. 春分\n5. 清明\n', return_tensors='pt')
inputs = inputs.to(model.device)

pred = model.generate(input_ids=inputs["input_ids"], generation_config=generation_config)
print("outputs:\n", tokenizer.decode(pred.cpu()[0], skip_special_tokens=True))

聊天模型推理示例

from modelscope import AutoModelForCausalLM, AutoTokenizer
from modelscope import GenerationConfig

MODEL_NAME_OR_PATH = "qihoo360/360Zhinao2-7B-Chat-4K"

tokenizer = AutoTokenizer.from_pretrained(
    MODEL_NAME_OR_PATH, 
    trust_remote_code=True)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME_OR_PATH,
    device_map="auto",
    trust_remote_code=True)

generation_config = GenerationConfig.from_pretrained(
    MODEL_NAME_OR_PATH,
    trust_remote_code=True)

messages = []
#round-1
messages.append({
   "role": "user", "content": "介绍一下刘德华"})
response = model.chat(tokenizer=tokenizer, messages=messages, generation_config=generation_config)
messages.append({
   "role": "assistant", "content": response})
print(messages)

#round-2
messages.append({
   "role": "user", "content": "他有什么代表作？"})
response = model.chat(tokenizer=tokenizer, messages=messages, generation_config=generation_config)
messages.append({
   "role": "assistant", "content": response})
print(messages)