tiny_mixtral_ja_with_tokenizer

275.86Mのmixtralを日本語データセットでpretrainingしたものです

sample

from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("if001/tiny_mixtral_ja")
tokenizer = AutoTokenizer.from_pretrained("if001/sentencepiece_ja", trust_remote_code=True)

prompt = "それは九月初旬のある蒸し暑い晩のことであった。私は、Ｄ坂の"
inputs = tokenizer(prompt, return_tensors="pt")
 
generate_ids = model.generate(
    inputs.input_ids, 
    max_length=30,
    top_k=30,
    top_p=0.95,
    temperature=0.6,
    repetition_penalty=1.2,
    do_sample=True,
)
tokenizer.decode(generate_ids[0], skip_special_tokens=True, clean_up_tokenization_spaces=False)

>> それは九月初旬のある蒸し暑い晩のことであった。私は、D坂の茶舗を後にして、その路地の角に横丁をあるいて居る、と云うと、丁度其処から、

dataset

英語と日本語のデータセットを使用

total tokens: 8.64B

wikipedia_ja:    844.65M  
wikipedia_en:    3.80B  
open-text-books: 60.17M  
oscar:           3.85B  
aozorabunko:     92.97M  

tokenizer

all_special_ids:  [1, 2, 3, 0, 4]
all_special_tokens:  ['<BOS>', '<EOS>', '<UNK>', '<PAD>', '<MASK>']