Llama3-Chinese是以Meta-Llama-3-8B为底座，使用 DORA[1] + LORA+[2] 的训练方法

说到大模型的中文优化，最近有一个项目很值得关注——

。它是以Meta-Llama-3-8B为底座，采用DORA^[1] + LORA+^[2]的训练方法，在50万条高质量中文多轮SFT数据、10万条英文多轮SFT数据，以及2000条单轮自我认知数据训练出来的。效果嘛，至少在中文场景下表现相当亮眼。

模型下载

Model	Download
Meta-Llama-3-8B	? HuggingFace[3] ? ModelScope[4]
Llama3-Chinese-Lora	? HuggingFace[5] ? ModelScope[6]
Llama3-Chinese (合并好的模型)	? HuggingFace[7] ? ModelScope[8]

合并LORA模型（可跳过）

如果你手头已经有原始基座模型，那合并一下Lora就能直接用。步骤如下：

1、下载 Meta-Llama-3-8B^[9]

git clone https://www.modelscope.cn/LLM-Research/Meta-Llama-3-8B.git

2、下载Llama3-Chinese-Lora^[10]

git lfs install
git clone https://www.modelscope.cn/seanzhang/Llama3-Chinese-Lora.git

git lfs install
git clone https://huggingface.co/zhichen/Llama3-Chinese-Lora

3、合并模型

python merge_lora.py --base_model path/to/Meta-Llama-3-8B --lora_model path/to/lora/Llama3-Chinese-Lora --output_dir ./Llama3-Chinese

下载 Llama3-Chinese（合并好的模型）

如果你不想自己合并，可以直接下载已经整合好的完整模型。

git lfs install
git clone https://www.modelscope.cn/seanzhang/Llama3-Chinese.git

git lfs install
git clone https://huggingface.co/zhichen/Llama3-Chinese

vllm web 推理

模型部署后，用vllm进行推理非常方便：

1、使用vllm^[11]部署模型

python -m vllm.entrypoints.openai.api_server --served-model-name Llama3-Chinese --model ./Llama3-Chinese(换成你自己的合并后的模型路径)

2、在命令行执行

python vllm_web_demo.py --model Llama3-Chinese

训练数据集

训练使用了匠数科技提供的大模型sft数据集^[12]。数据质量经过严格筛选，这也是模型表现不错的原因之一。

LICENSE

这里需要特别说明一下使用限制：本项目仅可应用于研究目的，项目开发者不承担任何因使用本项目（包含但不限于数据、模型、代码等）导致的危害或损失。详细请参考免责声明^[13]。

Llama3-Chinese项目代码的授权协议为 The Apache License 2.0^[14]，代码可免费用做商业用途，但模型权重和数据只能用于研究目的。请在产品说明中附加Llama3-Chinese的链接和授权协议。

Citation

如果你在研究中使用了Llama3-Chinese，请按如下格式引用：

@misc{Llama3-Chinese,
  title={Llama3-Chinese},
  author={Zhichen Zhang, Xin LU, Long Chen},
  year={2024},
  howpublished={url{https://github.com/seanzhang-zhichen/llama3-chinese}},
}