p1atdev/llm-jp-3-3.7b-instruct2-R27

additional instruction:

回答する際は、思考過程を<think></think>ブロック内に記述し、最終的な答えを数値のみで<answer></answer>ブロック内に記述してください。

Example

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("p1atdev/llm-jp-3-3.7b-instruct2-R27")
model = AutoModelForCausalLM.from_pretrained("p1atdev/llm-jp-3-3.7b-instruct2-R27", torch_dtype=torch.float16)
model = model.eval().to("cuda")


additional_instruction = "回答する際は、思考過程を<think></think>ブロック内に記述し、最終的な答えを数値のみで<answer></answer>ブロック内に記述してください。"
question = "ナタリアは4月に48人の友人にクリップを販売し、その後5月にはその半分の数のクリップを販売しました。ナタリアは4月と5月の合計でいくつのクリップを販売しましたか？"

inputs = tokenizer.apply_chat_template(
  [
    {
        "role": "user",
        "content": question
    },
  ],
  additional_instruction=additional_instruction, # pass the additional instruction
  tokenize=False,
  add_generation_prompt=True, # append "### 応答:"
  return_tensors="pt",
)
inputs = tokenizer(inputs, return_tensors="pt").to(model.device)

with torch.inference_mode():
  outputs = model.generate(
      **inputs,
      do_sample=True,
      temperature=0.9,
      top_p=0.6,
      top_k=20,
      max_new_tokens=256,
      repetition_penalty=1.0,
      eos_token_id=tokenizer.eos_token_id,
      pad_token_id=tokenizer.pad_token_id,
  )
print(tokenizer.decode(outputs[0][len(inputs.input_ids[0]):]))

the output:

<think>
4月にナタリアは48人の友人にクリップを販売しました。
5月にはその半分の数のクリップを販売したので、48 ÷ 2 = 24人の友人にクリップを販売したことになります。
したがって、4月と5月の合計でナタリアは48 + 24 = 72人の友人にクリップを販売したことになります。</think>
<answer>72</answer></s>

Dataset

• 日本語訳した GSM8K (p1atdev/gsm8k-ja-slim)
  • うち、苗字や人名に関する問題を除外
• SyntheticVeryEasyMath5k
  • 機械的に合成した、整数の四則演算問題 5,000問
• SyntheticWhichIsGreater5k
  • 機械的に合成した、二つの小数のどちらが大きいかを回答する問題 5,000問

下の二つのデータは、math_problem.py の関数を使って以下のように合成しました。

def generate_int_problem(
    num_generation: int,
    max_int: int,
    min_int: int,
    max_terms: int,
):
    for i in range(num_generation):
        text, tex, result = create_integer_arithmetic_problem(
            max_val=max_int,
            min_val=min_int,
            max_terms=max_terms,
        )
        formula = random.choice([text, tex])
        templates = [
            "{formula} = ?",
            "{formula} を計算してください。",
            "次の式を計算し、計算結果を解答してください。\n{formula}",
            "計算して\n{formula}",
            "次の式を計算してください。\n{formula}",
            "次の式の答えは何ですか？\n{formula}",
            "? に当てはまる数字を答えてください。\n{formula}",
            "{formula}\n計算して",
            "{formula}\n↑の答えを求めてください。",
        ]
        instruction = random.choice(templates).format(formula=formula)

        yield {
            "ground_truth": str(result),
            "instruction": instruction,
            "source": "synthetic_int_problem",
            "answer_dtype": "int",
            "skip_check": False,
        }

def generate_wig_problem(
    num_generation: int,
    max_num: float,
    min_num: float,
    precision: int,
):
    for i in range(num_generation):
        num_1, num_2, greater = create_two_decimals(
            min_val=min_num,
            max_val=max_num,
            precision=precision,
        )
        templates = [
            "次の数字のうち、どちらが大きいですか？\n{num_1}\n{num_2}",
            "{num_1} と {num_2} のうちどちらが大きいですか？",
            "{num_1} と {num_2} はどっちが大きい？",
            "大きいほうを選んで: {num_1} {num_2}",
            "次の数値を比較し、大きい方を選んでください。\n{num_1} {num_2}",
        ]
        instruction = random.choice(templates).format(num_1=num_1, num_2=num_2)

        yield {
            "ground_truth": str(greater),
            "instruction": instruction,
            "source": "synthetic_which_is_greater",
            "answer_dtype": "float",
            "skip_check": False,
        }


# generate dataset
ds_easy_int = Dataset.from_generator(
    generate_int_problem,
    gen_kwargs={
        "num_generation": 5000,
        "max_int": 10,
        "min_int": -10,
        "max_terms": 5,
    },
)
assert isinstance(ds_easy_int, Dataset)
print("easy_int:", ds_easy_int)

ds_wig = Dataset.from_generator(
    generate_wig_problem,
    gen_kwargs={
        "num_generation": 5000,
        "max_num": 100.0,
        "min_num": -100.0,
        "precision": 3,
    },
)
assert isinstance(ds_wig, Dataset)
print("wig:", ds_wig)

# japanese gsm8k
ds_gsm8k = load_dataset("p1atdev/gsm8k-ja-slim", split="train")
assert isinstance(ds_gsm8k, Dataset)
ds_gsm8k = ds_gsm8k.filter(filter_gsm8k_ja, batched=True)
ds_gsm8k = ds_gsm8k.map(
    map_gsm8k_ja_instruction, remove_columns=ds_gsm8k.column_names
)
print("gsm8k:", ds_gsm8k)

# concat
ds = concatenate_datasets( # from datasets import concatenate_datasets
    [
        ds_gsm8k,
        ds_easy_int,
        ds_wig,
    ]
)
print("total:", ds)