Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/LC1332/Luotuo-QA
骆驼QA，中文大语言阅读理解模型。
https://github.com/LC1332/Luotuo-QA
Last synced: about 1 month ago
JSON representation
骆驼QA，中文大语言阅读理解模型。
- Host: GitHub
- URL: https://github.com/LC1332/Luotuo-QA
- Owner: LC1332
- License: apache-2.0
- Created: 2023-04-08T05:12:22.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2023-05-25T10:27:30.000Z (over 1 year ago)
- Last Synced: 2024-11-06T12:08:40.930Z (about 1 month ago)
- Language: Jupyter Notebook
- Homepage:
- Size: 1.55 MB
- Stars: 72
- Watchers: 5
- Forks: 2
- Open Issues: 6
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- Awesome-LLMs-Datasets - Github - QA-B)** (Instruction Fine-tuning Datasets / General Instruction Fine-tuning Datasets)
- StarryDivineSky - LC1332/Luotuo-QA
README
English | [快速上手](#quickstart) | [数据](#data) | [赞助](#sponsorship) | [人员](#contributor) | [引用](#cite)
# 骆驼QA: Better Conversational Question Answering Model with Answer Completion
骆驼QA是廖健生, 孙骜 , 罗钦雨, 黄泓森 李鲁鲁开发的，阅读理解并问答的语言模型。
每一个作者都是第一作者，顺序是随机的。(点这里具体)
李鲁鲁发起了项目，提出了拆分问题和使用Prompt Engineering生成更Diverse问题的方法。
廖健生编写了训练架构，并完成了模型的训练，并完成了colab测试代码的编写。
孙骜完成了Prompt的设计，并增广了CoQA数据集，提出了基于问题转化的训练方案
罗钦雨编写了Luotuo-QA数据集的License协议，并且收集了Luotuo-QA-B的数据集
黄泓森翻译了增广后的CoQA数据。
骆驼QA是[Luotuo(骆驼)](https://github.com/LC1332/Luotuo-Chinese-LLM)的子项目之一，后者由李鲁鲁，冷子昂，陈启源发起。
骆驼QA是指给定一段特定的文本，用户针对文本中的内容，进行一个提问。语言模型试图理解文本中的内容，对用户的问题进行回答。这里我们从陈丹琦学姐参与的CoQA数据集出发，基于唐杰老师实验室发布的GLM6B模型，建立了中文的骆驼QA模型。
+ If you find this helpful, please star our major repo [Luotuo(骆驼)](https://github.com/LC1332/Luotuo-Chinese-LLM), Thanks Very Much
+ 如果你感到这个页面对你有帮助，拜托您去我们[骆驼的主页](https://github.com/LC1332/Luotuo-Chinese-LLM)也点上star，非常感谢！
## 快速上手
| | Colab链接 | 细节 |
| --- | --- | :--- |
| 测试脚本 | 
| 当前的骆驼QA为0.1模型 |
| 交互界面 | | 基于0.1模型，用Gradio开发的交互界面 |
## 例子输出
### Examples
```
文本：长妈妈曾经讲给我一个故事听：先前，有一个读书人住在古庙里用功，晚间， 在院子里纳凉的时候，突然听到有人在叫他。答应着，四面看时，却见一个美女的 脸露在墙头上，向他一笑，隐去了。他很高兴；但竟给那走来夜谈的老和尚识破了 机关。说他脸上有些妖气，一定遇见“美女蛇”了；这是人首蛇身的怪物，能唤人 名，倘一答应，夜间便要来吃这人的肉的。他自然吓得要死，而那老和尚却道无妨 ，给他一个小盒子，说只要放在枕边，便可高枕而卧。他虽然照样办，却总是睡不 着，——当然睡不着的。到半夜，果然来了，沙沙沙！门外象是风雨声。他正抖作 一团时，却听得豁的一声，一道金光从枕边飞出，外面便什么声音也没有了，那金 光也就飞回来，敛在盒子里。后来呢？后来，老和尚说，这是飞蜈蚣，它能吸蛇的 脑髓，美女蛇就被它治死了。
原始问题为：谁遇到了美女蛇？
问题转义为:谁被美女蛇所困扰?
答案为:读书人
问题转义为:美女蛇袭击了谁?
答案为:读书人
原始问题为：谁杀了美女蛇
问题转义为:谁杀死了美女蛇
答案为:飞蜈蚣
```
```
文本: 随着空天地一体化信息网络的建设与发展，无线网络的全球无缝覆盖与泛在的人工智能成为了可能 .卫星与无人机作为天基边缘计算节点，辅助地面设备完成各项任务，成为6G网络中的重要应用场景.当前针对卫星、无人机边缘计算的研究处于起步阶段，这些研究在边缘计算服务模式及实际应用方面仍有待进一步深入.单个卫星或无人机的计算能力薄弱，通常难于独立提供较复杂的数据处理服务.现有资源管理算法通常需要多轮博弈才
能收敛，难于满足空天地一体化场景中资源管理方法快速收敛的需求.针对以上挑战，本文在天算星座边缘计算服务场景基础上，对空天地一体化网络中天基资源的服务模式进行了分析，提出了组合及聚合两种计算服务融合方式 .本文将天基边缘计算资源的管理建模为两阶段的斯坦科尔伯格博弈模型，提出了分布式混合动态迭代算法与分布式分组动态迭代算法，加快了博弈过程的收敛速度.本文基于分布式场景构建了仿真实验，并在典型参数设置下对算法性能进行了分析.仿真实验结果表明：在两种不同服务模式下，本文提出的方法能够使空中边缘计算节点与用户设备获得最大收益；相比近年相关研究，本文所提方法的收敛时间能够缩短60%以上.
原始问题为：讲了什么
问题转义为:文章讨论了哪些主题?
答案为:天基网络
原始问题为:本文提的方法能做到什么
（Bad Example）问题转义为:本文提出的算法有什么优势?
答案为:在两种不同服务模式下,
问题转义为:本文提出的算法有什么优点?
答案为:加快博弈过程的收敛速度。
```
```
文本为：三国前期，曹操发起联军讨伐董卓。董卓的先锋是华雄，华雄是三国第一高手吕布 的手下，也是非常勇猛，一连杀了联军好几个大将。联军正愁无人能敌华雄之时，关羽按耐不住请战。可是刘备这时没什么地位，关羽的军衔也小得可怜。于是联军盟主袁绍反对，怕被敌人耻笑军中无人。但是曹操见识过关羽的能力，很赞赏他，于是为他斟酒。关羽说等斩了华雄回来喝也不迟。于是飞身上马冲入敌营，不一会儿就提着华雄的人头回来了，这时候酒还是热的。这就是温酒斩华雄！原始问题为：吕布是怎么死的 : ### Origin: 吕布是怎么死的? Lora: 问题转义为:吕布是如何被击败的? 答案为:温酒斩华雄 Lora^2: 问题转义为:吕布被击败的原因是什么? 答案为:温酒斩华雄 ### 给你下面的文本和问题，请先给出一个对应问题的同义转述，再给出问题的答案。文本为：三国前期，曹操发起联军讨伐董卓。董卓的先锋是华雄，华雄是三国第一高手吕布 的手下，也是非常勇猛，一连杀了联军好几个大将。联军正愁无人能敌华雄之时，关羽按耐不住请战。可是刘备这时没什么地位，关羽的军衔也小得可怜。于是联军盟主袁绍反对，怕被敌人耻笑军中无人。但是曹操见识过关羽的能力，很赞赏他，于是为他斟酒。关羽说等斩了华雄回来喝也不迟。于是飞身上马冲入敌营，不一会儿就提着华雄的人头回来了，这时候酒还是热的。这就是温酒斩华雄！
原始问题为：吕布杀了谁
（Bad Example）问题转义为:吕布杀死了哪些敌人?
答案为:华雄
（Bad Example）问题转义为:吕布在战争中杀死了哪些敌人?
答案为:华雄
原始问题为：华雄杀了谁
问题转义为:华雄在战斗中杀死了谁?
答案为:联军的大将
问题转义为:华雄在战斗中杀死了哪些敌人?
答案为:联军的大将们
```
## 训练
我们利用Alpaca-LoRA和GLM6B+LoRA（驼铃）的方案，在增广后的CoQA英文和中文数据集上，各训练了一个英文和中文的模型。
## 数据
例子数据
```
Text: 曾经有一只住在森林里一个小洞穴里的小熊。他的洞穴舒适、温暖、黑暗，洞前还有一点院子。小熊和他的父母一起生活，白天到处走动，晚上卷缩着睡觉。他喜欢寻找浆果吃。他最喜欢的浆果是蓝莓，但无论他找到什么浆果，像草莓、覆盆子、樱桃等，都会吃。 \n\n小熊的洞穴附近有一条河，他喜欢坐在河岸边看鱼和青蛙，看自己在水中的倒影。在一个阳光明媚的下午，当他凝视河流时，他看到了一群鸭子在游泳。他起身跟随它们。它们在河里游泳，他在岸边走动。直到他们到达森林里的一个小空地为止，它们一直这样旅行。小熊停下脚步，环顾四周，看到空地里完全长满了蓝莓，比他以往见过的还要多！ \n\n小熊吃饱了蓝莓，然后带回了尽可能多的蓝莓。他快乐地上床睡觉了。这是一个美好的一天。",
Question 1-A: 这只熊居住在什么类型的住所？
Question 1-B: 熊的家在哪里？
Question 1-C: 熊的住所是什么样子的？
Answer: 在一个洞穴里。
Question 2-A: 熊在他的洞穴里的伙伴是谁？
Question 2-B: 熊洞里的其他居民是谁？
Question 2-C: 这只年轻的熊和谁分享了它温暖舒适的洞穴？
Answer: 他的母亲和父亲
```
CoQA数据集经过简单清洗，共有7012个story，其中每个story中包含5个左右的问题，每个问题进行了5次增广。
我们准备公开这批数据，正在研究CoQA和OpenAI的数据协议，并且准备申请共享这批数据的表格和网站，之后就会释放这批数据。
## 赞助(Sponsorship) 骆驼项目
在训练骆驼嵌入的时候，完全使用社区捐赠的经费购买的远程服务器
所有的CoQA的数据增广和翻译都使用了社区捐赠的经费购买了OpenAI的API。
如果你有兴趣赞助骆驼项目，请点击[主项目](https://github.com/LC1332/Luotuo-Chinese-LLM#%E8%B5%9E%E5%8A%A9sponsorships)或者查看[赞助表单](https://github.com/LC1332/Luotuo-Chinese-LLM/blob/main/data/Sponsorship_and_balance.md)
If you are interested in sponsoring the [Luotuo Project](https://github.com/LC1332/Luotuo-Chinese-LLM#%E8%B5%9E%E5%8A%A9sponsorships), please click on the [major project](https://github.com/LC1332/Luotuo-Chinese-LLM) or view the [sponsorship form](https://github.com/LC1332/Luotuo-Chinese-LLM/blob/main/data/Sponsorship_and_balance.md).
[回到开头](#BigTitle)
## 人员
更详细的整个骆驼项目相关的人员信息，请查看[骆驼项目的主页](https://github.com/LC1332/Luotuo-Chinese-LLM#%E8%B4%A1%E7%8C%AE%E8%80%85contributors)
李鲁鲁发起了项目，提出了拆分问题和使用Prompt Engineering生成更Diverse问题的方法。
廖健生编写了训练架构，并完成了模型的训练，并完成了colab测试代码的编写。
孙骜完成了Prompt的设计，并增广了CoQA数据集，提出了基于问题转化的训练方案
罗钦雨编写了Luotuo-QA数据集的License协议，并且收集了Luotuo-QA-B的数据集
黄泓森翻译了增广后的CoQA数据。
[回到开头](#BigTitle)
## 引用
如果您在项目中使用了我们的模型、代码或者数据，请引用下面第一篇文章。
Please cite the repo if you use the data or code in this repo.
```
@misc{alpaca,
author={Jianshen Liao, Ao Sun, Qinyu Luo, Hongsen Huang, Cheng Li},
title = {Luotuo-QA: Better Conversational Question Answering Model with Answer Completion},
year = {2023},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/LC1332/Luotuo-QA}},
}
```
```
@misc{alpaca,
author={Ziang Leng, Qiyuan Chen and Cheng Li},
title = {Luotuo: An Instruction-following Chinese Language model, LoRA tuning on LLaMA},
year = {2023},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/LC1332/Luotuo-Chinese-LLM}},
}
```
[回到开头](#BigTitle)
---
## TODO
- [x] README页面装修
- [ ] inference脚本 colab
- [ ] Gradio脚本 colab
- [ ] (opt)更好的一个Gradio设计
- [ ] 更多截图
- [ ] 在colab完成之后，做一些有趣的例子Good & Bad
以上是4/25之前
---
以下是之后
- [ ] 进一步清理翻译的CoQA数据，引入翻译API进行核对补充，引入中英文Embedding进行进一步比对
- [ ] 训练得到0.3模型
- [ ] 寻找一些没有QA的语料（1万文本以上，最好3个domain），让GPT生成QA，加入到训练数据中
- [ ] 训练得到0.7模型
- [ ] 进行初步的搜索+QA的尝试
---
## Gradio 的需求
输入: 文本框
输入: 问题
输出: GLM6B的默认输出
输出: 一次问题转化之后的问题
输出: 问题转化之后的回答
输出: 将转化之后的问题 强行再编辑为原问题，然后再进行的回答
相当于我们的模型给两次回答。
---
# 骆驼QA : 仅使用6B语言模型的阅读理解系统
孙骜, 廖健生, 陈舒年, 李鲁鲁
每一个作者都是第一作者，顺序是随机的。
李鲁鲁发起了项目，提出了拆分问题和使用Prompt Engineering生成更Diverse问题的方法。
孙骜完成了Prompt的设计，并增广了CoQA数据集，提出了基于问题转化的训练方案
廖健生编写了训练架构，并完成了模型的训练。
陈舒年（将要）完成了Q-A的Embedding初步实验，并编写了可视化
## 引言
本文是对于我们骆驼QA模型，一个基于GLM-6B的中文阅读理解模型，的简短技术汇报。在语言模型的垂类应用中，关于一段特定文本的理解和QA是一个很重要的问题，有以下原因: 1. 大量涉密企业、或者是金融企业并不能够把自己的机密文档输入到公开的API中。2. 训练或者tuning一个语言模型的成本仍然很高，对于很多专业领域，如果能够在回答问题之前给定一段特定上下文的文本，可以使得模型有快速适应特定垂直领域的能力。3. 给定的文本的事实可以被用户控制，而不像语言模型的输出完全依赖模型的记忆和概率模型，可以让模型在对话中给出更符合事实的回答。
所以在驼铃的这个实验中，我们试图让一个6B的模型，通过Low Rank Adaptation的微调，争取实现对一段特定长度（大约200-600字）的阅读理解的能力。这对于我们之后完成更大的文本的搜索-QA系统，是一个重要的初步尝试。
注意到，完成一个中文的阅读理解模型是不琐碎的。1、过往的基于阅读理解的中文QA没有较大样本量的数据，很少有超过10万量级别的数据。2、类似CoQA的提问方式较为单一，有时候在连续对话中，会省略完整的问题，这往往与真实人类的对话习惯不一致。 3、相比于使用较为复杂的结构，我们希望去探究类似GPT这样的纯Decoder模型的性能。因为这种模型在一个真实的文档QA系统中，往往会有更好的表现。
由于CoQA数据集上的性能已经接近饱和，对于本个工作，我们主要希望研究三点
1、区别于研究连续对话的机器人，我们将CoQA中的短问题延展为了更为准确的问题。并且在首先的测试中，我们对模型进行了单次提问的测试，我们希望消除连续提问对于性能的影响。我们希望测试相比于GPT这样的大模型，一个较小的模型是否能够完成阅读理解并针对文中的信息的提问进行回答。这对于后期制作更有专业性的模型更为重要。
2、对于CoQA的本来问题，我们进一步对每一个问题进行了5个增广，我们期望更多样的问题，能够带来模型对于数据集外的阅读理解有更好的性能。
3、对于连续对话的阅读理解，基于我们补全的问题，我们希望设计一个架构，模型能够先输出补全的问题，再对补全的问题进行回答。我们期望这种系统相比于直接回答短问题的系统能够表现出更好的性能。
所有的工作包括测试代码、训练代码以及数据将在清理后逐步开源。希望能够帮助中文大语言模型开源社区的发展。
## 相关工作
## CoQA数据集的增广
CoQA数据集经过简单清洗，共有7012个story，其中每个story中包含十余个问题。
增广工作包含两部分：
1. 对于短问题的补全：CoQA中包含着一些小于4个单词的超短问题，这些问题对于单个问题的问答来说包含的信息量过少。因此需要将这些问题补全为长问题。
2. diverse增广：对于每一个问题，我希望得到与其回答一致的另外的问法。这一种方式可以引导其对问题本身进行rethinking，作为中间任务的一个guiding
2023/04/10
目前英文数据集完成上述过程，正在进行中文翻译
## 训练
CoQA原来
```
起始prompt 文本 结束prompt
Q:问题1
A:回答1
Q:问题2
A:回答2
Q:问题3
A:回答3
```
单次回答
```
起始prompt 文本 结束prompt
Q:问题1
A:回答1
```
实验设计可以有两种：
1. 单阶段生成任务
```
给你下面的文本和问题，请先给出一个对应问题的同义转述，再给出问题的答案。
文本为：{story}
原始问题为：{Q}
问题转义为：{CQ}（generate）
答案为{A}（generate）
```
2. 双阶段生成任务
第一次：
```
给你下面的文本和问题，请给出问题的同义转述
文本为：{story}
原始问题为：{Q}
同义转述为：{CQ}（generate）
```
第二次：
```
给你下面的文本和问题，请给出问题的答案
文本为：{story}
问题为：{Q}
这个问题也可以理解为：{CQ}
这个问题的答案是：{A}（generate）
```
### 连续问答的训练。
## 实验
### Metric
### 单次问答实验
### 连续问答实验