text embedding based on ChatGLM: This project aims to prefix-tuning ChatGLM-6B with respect to the text-embedding task, so that a single model can be used to complete the text-embedding task and question-answer task at the same time, which reduce the overhead of additional deployment of the embedding model. You can easily use it in langchain and implement a fully localized-deploymented trivia model
本项目尝试在text embedding任务上对ChatGLM-6B进行prefix-tuning微调,从而使用单个模型即可完成text embedding和问答任务,减少额外部署embedding模型的开销,可以轻松接入langchain实现一个全本地化部署的知识问答模型
微调方法:mymusise/ChatGLM-Tuning和ChatGLM-6B的P-tuning v2
数据集:medi-data
text embedding的实现方式:在prefix-tuning的基础上,在需要embedding的文本最后加上[MASK]标记,取transformer模块在[MASK]标记对应处的输出作为文本的text embedding
受限于个人的硬件条件,本人只使用了medi-data中约8000个英文样本对模型进行了微调,微调后在MTEB的Arguana任务上的效果比glove.6B.300d稍好,后续可以考虑使用更多数据或中文语料进行进一步的微调
cd example_with_embeddings
tokenization
python preprocess_and_tokenize.py \
--train_file medi-data/medi-data.json \
--overwrite_cache
--model_name_or_path "THUDM/chatglm-6b-int4" \
--max_source_length 512 \
--per_device_train_batch_size 8
训练
python finetune.py \
--dataset_path medi-data/processed \
--model_name_or_path "THUDM/chatglm-6b-int4" \
--per_device_train_batch_size 8 \
--gradient_accumulation_steps 1 \
--num_train_epochs 1 \
--max_steps 1000 \
--save_steps 50 \
--save_total_limit 2 \
--learning_rate 1e-4 \
--remove_unused_columns false \
--logging_steps 1 \
--output_dir output
python mteb_benchmark.py