kanana-2.1b-lora-reasoning

Model Card for Model ID

kakaocorp/kanana-nano-2.1b-instruct 모델에 kuotient/gsm8k-ko 데이터셋으로 COT GRPO를 학습시킨 LoRA 어댑터입니다.

How to Get Started with the Model

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, TextStreamer
from peft import PeftModel

model_name = "kakaocorp/kanana-nano-2.1b-instruct"
peft_model_id = "rycont/kanana-2.1b-lora-reasoning"

base_model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
)
model = PeftModel.from_pretrained(base_model, peft_model_id).to("cuda")
tokenizer = AutoTokenizer.from_pretrained(model_name)

streamer = TextStreamer(tokenizer)

SYSTEM_PROMPT = """
You are a helpful AI assistant developed by Kakao. Respond in the following format:
<reasoning>
...
</reasoning>
<answer>
...
</answer>
"""

messages = [
    {"role" : "system", "content" : SYSTEM_PROMPT},
    {"role" : "user", "content" : f"철수가 한 변의 길이가 5km인 정사각형 모양의 공원에서 둘레를 따라 나무를 심으려고 해. 나무 사이 간격은 500m야. 한 나무를 심을 때 17번의 삽질이 필요한데, 근로기준법상 한 사람은 인생에서 31번의 삽질밖에 못해. 그렇다면 철수가 나무심기를 완료하기 위해서는 몇명의 인부를 추가로 고용해야 할까?"},
    {"role" : "system", "content" : "<reason> 심호흡 하고, 차근차근 생각해보자. 일단, "},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    continue_final_message=True,
    return_tensors="pt"
).to("cuda")

_ = model.eval()

# with model.disable_adapter():
with torch.no_grad():
    output = model.generate(
        input_ids,
        max_new_tokens=1024,
        streamer=streamer,
        tokenizer=tokenizer,
        stop_strings="</answer>"
    )

print(tokenizer.decode(output[0]))

Framework versions

• PEFT 0.14.0