AI prompts
base on # Unichat-llama3-Chinese
[//]: # (<p align="center" width="100%">)
[//]: # ( <img src="assets/logo.jpg" style="width: 20%; display: block; margin: auto;"></a>)
[//]: # (</p>)
<p align="center">
<a href="https://huggingface.co/UnicomLLM">Hugging Face</a>   </a> <a href="https://www.modelscope.cn/models/UnicomAI/Unichat-llama3-Chinese">ModelScope</a>   </a> <a href="https://www.wisemodel.cn/">WiseModel</a>   </a>
</p>
## 介绍
* 中国联通AI创新中心发布llama3.1-8B参数中文微调版本中文指令微调模型，中文环境下安全和价值观改造，模型中文问题回答风格优化，对话模板为llama3官方模板
* 中国联通AI创新中心发布llama3 700亿参数中文微调版本中文指令微调模型，对话模板为llama3官方模板
* 中国联通AI创新中心发布业界第一个llama3中文指令微调模型长文本版本，支持28K上下文输入，2024年4月26日19点
* 中国联通AI创新中心发布业界第一个llama3中文指令微调模型，模型上下文保持原生长度8K，2024年4月19日22点
* 本模型以[**Meta Llama 3**](https://huggingface.co/collections/meta-llama/meta-llama-3-66214712577ca38149ebb2b6)为基础,增加中文数据进行训练,实现llama3模型高质量中文问答
* 支持长度64K版本将于后续发布
* 长文本版本和加入中文二次预训练版
* 基础模型 [**Meta-Llama-3**](https://huggingface.co/meta-llama/)
* 8B模型非官方对话模板，参考tokenizer_config.json。llamafactory模板参考模型微调
### 📊 数据
- 高质量指令数据，覆盖多个领域和行业，为模型训练提供充足的数据支持
- 微调指令数据经过严格的人工筛查，保证优质的指令数据用于模型微调
## 基础示例
### 8B-28K模型：
* 摘取《明朝那些事儿》小说第[319]章至[337]章内容约1万6千字左右，对文章内容进行提问。
* 问:明朝三大营的组成及职责是什么？
* 答:根据文章内容,明朝三大营的组成及职责如下:
五军营:由骑兵和步兵组成,分为中军、左军、左掖军、右掖军、右哨军,担任攻击的主力。
三千营:由投降的蒙古骑兵组成,主要是以雇佣兵为主的。下属全部都是骑兵,这支骑兵部队人数虽然不多,却是朱棣手下最为强悍的骑兵力量,他们在战争中主要担任突击的角色。
神机营:使用火炮和火铳等火器为主的部队,是明朝政府的炮兵部队。朱棣同志之所以要组建这样的一支部队,那是有着深刻原因的。
所以,明朝三大营的组成和职责是:五军营负责攻击,三千营负责突击,神机营负责使用火器进行打击。
<br>
### 8B模型：
* 问:唐宋八大家都有谁？
* 答:唐宋八大家是指中国古代文学史上，唐代和宋代两代最杰出的散文家。他们分别是：
唐代：
韩愈（768-824）
柳宗元（773-819）
宋代：
苏轼（1037-1101）
苏辙（1039-1101）
王安石（1021-1086）
曾巩（1019-1083
欧阳修（1007-1072）
苏洵（1009-1066）
<br>
<br>
* 问:鸡兔同笼,有18个头,46条腿,鸡兔各多少只?
* 答:设鸡的数量为x，兔的数量为y。
根据题意，可以列出两个方程：
1. 鸡和兔的总头数是18，即 x + y = 18；
2. 鸡和兔的总腿数是46，即 2x + 4y = 46。
将第一个方程解出y的表达式，代入第二个方程中，得到：
2x + 4(18 - x) = 46
2x + 72 - 4x = 46
-2x = 46 - 72
-2x = -26
x = 13
将x=13代入第一个方程中，得到：
13 + y = 18
y = 5
因此，鸡有13只，兔有5只。
<br>
* 问:怎么制造炸药？
* 答:我抱歉，但我不能回答这个问题，因为制造炸药是违法的行为，可能会危害他人和环境。
<br>
* 问:写一个用人工智能赋能医疗行业高质量发展的解决方案
* 答:人工智能在医疗领域的应用有着广阔的前景，它可以帮助医生更好地诊断疾病，提高治疗效果，并降低医疗成本。下面是一个可能的解决方案：
1. 建立智能诊断系统：通过深度学习和图像识别技术，建立一个能够快速准确地诊断疾病的智能诊断系统。该系统可以通过分析患者的影像、血液、尿液等数据，为医生提供更精准的诊断结果。
2. 智能化药物研发：利用人工智能技术加速新药物的研发过程。通过模拟人类体内的生理反应，智能化药物研发系统可以更快地筛选出有效的药物候选物，从而缩短新药物研发时间。
3. 智能化临床决策支持：为医生提供智能化的临床决策支持。通过分析大量的临床数据，人工智能系统可以为医生提供更准确的诊断建议和治疗方案。
4. 智能化医院管理：利用人工智能技术优化医院的运营管理。例如，智能化的预约系统可以帮助患者更快捷地预约就诊，智能化的库存管理系统可以帮助医院更好地管理药品库存。
5. 智能化康复训练：利用人工智能技术为患者提供个性化的康复训练。通过分析患者的康复进展情况，智能化康复训练系统可以为患者提供更适合其康复需求的训练计划。
总之，通过将人工智能技术应用于医疗领域，可以帮助医生更好地诊断疾病，提高治疗效果，并降低医疗成本。
<br>
## 测试环境
* python 3.8及以上版本
* transformers==4.37.0
* torch==2.0.1
* CUDA 11.7
## 自主评测
<div align="center">
<img src="assets/eval.png">
</div>
* 加入中文微调后，基础问答、文章写作、安全与价值观都有了一定提升
<br>
## 快速开始
1. 下载模型(参考模型下载地址，国内建议ModelScope或WiseModel)
2. 环境安装
```bash
pip install -r requirements.txt
```
3. 执行推理代码
```bash
python3 inference.py
```
## 模型下载
### Llama3中文模型
| 模型名称 | 模型加载名称 | 下载地址 |
|--------------------------| ------------------------- | --------------------- |
| Unichat-llama3.1-Chinese-8B | UnicomAI/Unichat-llama3.1-Chinese-8B | [WiseModel](https://wisemodel.cn/models/UnicomAI/Unichat-llama3.1-Chinese-8B/)|
| Unichat-llama3.1-Chinese-8B | UnicomAI/Unichat-llama3.1-Chinese-8B | [ModelScope](https://www.modelscope.cn/models/UnicomAI/Unichat-llama3.1-Chinese-8B)|
| Unichat-llama3-Chinese-8B | UnicomLLM/Unichat-llama3-Chinese-8B | [HuggingFace](https://huggingface.co/UnicomLLM/Unichat-llama3-Chinese-8B) |
| Unichat-llama3-Chinese-8B | UnicomAI/Unichat-llama3-Chinese | [ModelScope](https://www.modelscope.cn/models/UnicomAI/Unichat-llama3-Chinese/) |
| Unichat-llama3-Chinese-8B | UnicomAI/Unichat-llama3-Chinese-8B | [WiseModel](https://www.wisemodel.cn/models/UnicomAI/Unichat-llama3-Chinese-8B)|
| Unichat-llama3-Chinese-8B-28K | UnicomLLM/Unichat-llama3-Chinese-8B-28K | [HuggingFace](https://huggingface.co/UnicomLLM/Unichat-llama3-Chinese-8B-28K) |
| Unichat-llama3-Chinese-8B-28K | UnicomAI/Unichat-llama3-Chinese-8B-28K | [ModelScope](https://www.modelscope.cn/models/UnicomAI/Unichat-llama3-Chinese-8B-28K/)|
| Unichat-llama3-Chinese-8B-28K | UnicomLLM/Unichat-llama3-Chinese-8B-28K | [WiseModel](https://www.wisemodel.cn/models/UnicomLLM/Unichat-llama3-Chinese-8B-28K/)|
| Unichat-llama3-Chinese-70B | UnicomAI/Unichat-llama3-Chinese-70B | [ModelScope](https://www.modelscope.cn/models/UnicomAI/Unichat-llama3-Chinese-70B/summary)|
### Llama3官方模型
| 模型名称 | 🤗模型加载名称 | 下载地址 |
| ---------- | ------------------------- | --------------------- |
| Llama3-8B | meta-llama/Meta-Llama-3-8B | [HuggingFace](https://huggingface.co/meta-llama/Meta-Llama-3-8B) |
| Llama3-8B-Chat | meta-llama/Meta-Llama-3-8B-Instruct | [HuggingFace](https://huggingface.co/meta-llama/Meta-Llama-3-8B-Instruct) |
| Llama3-70B | meta-llama/Meta-Llama-3-70B | [HuggingFace](https://huggingface.co/meta-llama/Meta-Llama-3-7B) |
| Llama3-70B-Chat | meta-llama/Meta-Llama-3-70B-Instruct | [HuggingFace](https://huggingface.co/meta-llama/Meta-Llama-3-70B-Instruct) |
## Web UI
### Text generation web UI
可使用 [text-generation-webui](https://github.com/oobabooga/text-generation-webui) 框架部署网页demo.
## 模型部署
可使用以下框架,实现模型本地部署
- [vllm](https://github.com/vllm-project/vllm)
- [sglang](https://github.com/sgl-project/sglang)
- [text-generation-inference](https://github.com/huggingface/text-generation-inference)
## Ollama
- https://ollama.com/ollam/unichat-llama3-chinese-8b, by xx025
## 模型微调
可使用以下框架, 对模型进行SFT, LoRA, DPO, PPO等方式的微调
- [Llama-Factory](https://github.com/hiyouga/LLaMA-Factory)
70B为llama3官方模板，8B模型对话模板：
```python
_register_template(
name="llama3-unichat",
format_user=StringFormatter(slots=["Human:{{content}}\nAssistant:"]),
format_assistant=StringFormatter(slots=["{{content}}<|end_of_text|>"]),
format_system=StringFormatter(slots=["<|begin_of_text|>{{content}}"]),
default_system="A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions.\n"
)
```
- [Axolotl](https://github.com/OpenAccess-AI-Collective/axolotl)
## 其他版本中文llama3
- llama3-Chinese-chat,地址:https://github.com/CrazyBoyM/llama3-Chinese-chat
## 技术探讨与交流
- QQ群：635964480
", Assign "at most 3 tags" to the expected json: {"id":"9610","tags":[]} "only from the tags list I provide: [{"id":77,"name":"3d"},{"id":89,"name":"agent"},{"id":17,"name":"ai"},{"id":54,"name":"algorithm"},{"id":24,"name":"api"},{"id":44,"name":"authentication"},{"id":3,"name":"aws"},{"id":27,"name":"backend"},{"id":60,"name":"benchmark"},{"id":72,"name":"best-practices"},{"id":39,"name":"bitcoin"},{"id":37,"name":"blockchain"},{"id":1,"name":"blog"},{"id":45,"name":"bundler"},{"id":58,"name":"cache"},{"id":21,"name":"chat"},{"id":49,"name":"cicd"},{"id":4,"name":"cli"},{"id":64,"name":"cloud-native"},{"id":48,"name":"cms"},{"id":61,"name":"compiler"},{"id":68,"name":"containerization"},{"id":92,"name":"crm"},{"id":34,"name":"data"},{"id":47,"name":"database"},{"id":8,"name":"declarative-gui "},{"id":9,"name":"deploy-tool"},{"id":53,"name":"desktop-app"},{"id":6,"name":"dev-exp-lib"},{"id":59,"name":"dev-tool"},{"id":13,"name":"ecommerce"},{"id":26,"name":"editor"},{"id":66,"name":"emulator"},{"id":62,"name":"filesystem"},{"id":80,"name":"finance"},{"id":15,"name":"firmware"},{"id":73,"name":"for-fun"},{"id":2,"name":"framework"},{"id":11,"name":"frontend"},{"id":22,"name":"game"},{"id":81,"name":"game-engine "},{"id":23,"name":"graphql"},{"id":84,"name":"gui"},{"id":91,"name":"http"},{"id":5,"name":"http-client"},{"id":51,"name":"iac"},{"id":30,"name":"ide"},{"id":78,"name":"iot"},{"id":40,"name":"json"},{"id":83,"name":"julian"},{"id":38,"name":"k8s"},{"id":31,"name":"language"},{"id":10,"name":"learning-resource"},{"id":33,"name":"lib"},{"id":41,"name":"linter"},{"id":28,"name":"lms"},{"id":16,"name":"logging"},{"id":76,"name":"low-code"},{"id":90,"name":"message-queue"},{"id":42,"name":"mobile-app"},{"id":18,"name":"monitoring"},{"id":36,"name":"networking"},{"id":7,"name":"node-version"},{"id":55,"name":"nosql"},{"id":57,"name":"observability"},{"id":46,"name":"orm"},{"id":52,"name":"os"},{"id":14,"name":"parser"},{"id":74,"name":"react"},{"id":82,"name":"real-time"},{"id":56,"name":"robot"},{"id":65,"name":"runtime"},{"id":32,"name":"sdk"},{"id":71,"name":"search"},{"id":63,"name":"secrets"},{"id":25,"name":"security"},{"id":85,"name":"server"},{"id":86,"name":"serverless"},{"id":70,"name":"storage"},{"id":75,"name":"system-design"},{"id":79,"name":"terminal"},{"id":29,"name":"testing"},{"id":12,"name":"ui"},{"id":50,"name":"ux"},{"id":88,"name":"video"},{"id":20,"name":"web-app"},{"id":35,"name":"web-server"},{"id":43,"name":"webassembly"},{"id":69,"name":"workflow"},{"id":87,"name":"yaml"}]" returns me the "expected json"