FLAN-UL2
概述
Flan-UL2 是基于 T5 架构的编码器-解码器模型。它使用与去年发布的 UL2 模型相同的配置。它使用“Flan”提示微调和数据集收集进行微调。与 Flan-T5 类似，可以直接使用 FLAN-UL2 权重，无需对模型进行微调。
根据原始博客，以下是值得注意的改进：
- 原始 UL2 模型仅使用 512 的感受野进行训练，这使其不适合 N-shot 提示，其中 N 很大。
- Flan-UL2 检查点使用 2048 的感受野，使其更适合少样本上下文学习。
- 原始 UL2 模型还具有模式切换令牌，这对于获得良好的性能是强制性的。然而，它们有点麻烦，因为这通常需要在推理或微调期间进行一些更改。在此更新/更改中，我们在应用 Flan 指令微调之前，对 UL2 20B 进行了额外的 100k 步训练（小批次），以“忘记”模式令牌。此 Flan-UL2 检查点不再需要模式令牌。Google 发布了以下变体：
原始检查点可以在 这里 找到。
在资源有限的设备上运行
该模型非常庞大（半精度约 40GB），因此如果您只是想运行该模型，请确保以 8 位加载模型，并使用 device_map="auto" 以确保不会出现任何 OOM 问题！
>>> from transformers import AutoModelForSeq2SeqLM, AutoTokenizer
>>> model = AutoModelForSeq2SeqLM.from_pretrained("google/flan-ul2", load_in_8bit=True, device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("google/flan-ul2")
>>> inputs = tokenizer("A step by step recipe to make bolognese pasta:", return_tensors="pt")
>>> outputs = model.generate(**inputs)
>>> print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
['In a large skillet, brown the ground beef and onion over medium heat. Add the garlic']有关 API 参考、技巧、代码示例和笔记本，请参阅 T5 的文档页面。