---
license: cc-by-nc-sa-4.0
language:
- ja
base_model:
- llm-jp/llm-jp-3-13b
---
# このモデルについて
本モデルは、東京大学　松尾・岩澤研究室が運営する[LLM講座2024](https://weblab.t.u-tokyo.ac.jp/lecture/course-list/large-language-model/)で、最終課題コンペ用に提出したモデルです。

# ライセンス
本モデルは学習に利用した以下のデータのライセンスの影響を受けます。
+ [ichikara-instruction-003-001-1, ichikara-instruction-003-003-1](https://liat-aip.sakura.ne.jp/wp/llm%E3%81%AE%E3%81%9F%E3%82%81%E3%81%AE%E6%97%A5%E6%9C%AC%E8%AA%9E%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88%E3%83%A9%E3%82%AF%E3%82%B7%E3%83%A7%E3%83%B3%E3%83%87%E3%83%BC%E3%82%BF%E4%BD%9C%E6%88%90/llm%E3%81%AE%E3%81%9F%E3%82%81%E3%81%AE%E6%97%A5%E6%9C%AC%E8%AA%9E%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88%E3%83%A9%E3%82%AF%E3%82%B7%E3%83%A7%E3%83%B3%E3%83%87%E3%83%BC%E3%82%BF-%E5%85%AC%E9%96%8B/)
+ [elyza/ELYZA-tasks-100](https://huggingface.co/datasets/elyza/ELYZA-tasks-100)
+ [sudy-super/CoTangent](https://huggingface.co/datasets/sudy-super/CoTangent)
+ [GENIAC-Team-Ozaki/databricks-dolly-15k-ja-newans](https://huggingface.co/datasets/GENIAC-Team-Ozaki/databricks-dolly-15k-ja-newans/tree/main)

# 環境構築
本コードはGoogle Colabでの動作を想定しています
```python
!pip uninstall unsloth -y
!pip install --upgrade --no-cache-dir "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --upgrade torch
!pip install --upgrade xformers
```

# 推論の方法
+ 講座内で配布されたサンプルコード「Model_Inference_Template_unsloth_20241127.ipynb」が使用可能です
+ 事前にGoogle Colabのフォルダに、elyza-tasks-100-TV_0.jsonlをアップロードしてください
+ elyza-tasks-100-TVの問題を推論し、課題の成果として提出可能なフォーマットでjsonlファイルを生成します
```python
# 必要なライブラリを読み込み
from unsloth import FastLanguageModel
from peft import PeftModel
import torch
import json
from tqdm import tqdm
import re

# ベースとなるモデルと学習したLoRAのアダプタ（Hugging FaceのIDを指定）。
model_id = "llm-jp/llm-jp-3-13b"
adapter_id = "masaom/13_llm-jp-3-13b-it-elyza-ichikara1-ichikara3-CoTangent-dolly_lora"

# Hugging Face Token を指定。
from google.colab import userdata
HF_TOKEN=userdata.get('HF_TOKEN')

# unslothのFastLanguageModelで元のモデルをロード。
dtype = None # Noneにしておけば自動で設定
load_in_4bit = True # 今回は13Bモデルを扱うためTrue

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

# 元のモデルにLoRAのアダプタを統合。
model = PeftModel.from_pretrained(model, adapter_id, token = HF_TOKEN)

# タスクとなるデータの読み込み。
# 事前にelyza-tasks-100-TV_0.jsonlをアップロードしてください。
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 = ""

# モデルを用いてタスクの推論。

# 推論するためにモデルのモードを変更
FastLanguageModel.for_inference(model)

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

  prompt = f"""### 指示\n{input}\n### 回答\n"""

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

  outputs = model.generate(**inputs, max_new_tokens = 2048, 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})

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