XVERSE-13B 是由深圳元象科技自主研发的支持多语言的大语言模型（Large Language Model），主要特点如下：
- 模型结构：XVERSE-13B 使用主流 Decoder-only 的标准 Transformer 网络结构，支持 8K 的上下文长度（Context Length），为同尺寸模型中最长，能满足更长的多轮对话、知识问答与摘要等需求，模型应用场景更广泛。
- 训练数据：构建了 1.4 万亿 token 的高质量、多样化的数据对模型进行充分训练，包含中、英、俄、西等 40 多种语言，通过精细化设置不同类型数据的采样比例，使得中英两种语言表现优异，也能兼顾其他语言效果。
- 分词：基于 BPE（Byte-Pair Encoding）算法，使用上百 GB 语料训练了一个词表大小为 100,278 的分词器，能够同时支持多语言，而无需额外扩展词表。
- 训练框架：自主研发多项关键技术，包括高效算子、显存优化、并行调度策略、数据-计算-通信重叠、平台和框架协同等，让训练效率更高，模型稳定性强，在千卡集群上的峰值算力利用率可达到 58.5%，位居业界前列。
为验证模型的各项能力，我们选取了多个学科综合能力评测集，包括 MMLU（英文）、 C-Eval（中文）、AGIEval（中英） 、GAOKAO-Bench（中英）、GAOKAO-English（英文），评测结果如下：
| 模型\数据集 | MMLU | C-Eval | AGIEval1 | GAOKAO-Bench1 | GAOKAO-English1 |
|---|---|---|---|---|---|
| Baichuan-13B | 51.62 | 53.63 | 40.5 | 45.9 | 56.9 |
| Llama-1-13B | 46.94 | 28.8 | 27.3 | 26.4 | 38.1 |
| Llama-2-13B | 54.84 | 35.6 | 33.4 | 35.4 | 60.6 |
| moss-moon-003-base (16B) | 24.7 | 33.13 | 26.8 | 28.5 | 34.7 |
| OpenLLaMA-13B | 42.4 | 24.7 | 24.0 | 25.6 | 33.3 |
| OPT-13B | 25.2 | 25.0 | 24.2 | 24.4 | 31.1 |
| Pythia-12B | 25.1 | 26.2 | 25.3 | 25.3 | 26.8 |
| Ziya-LLaMA-13B-Pretrain-v1 | 43.9 | 30.2 | 27.2 | 26.4 | 37.6 |
| XVERSE-13B | 55.1 | 54.7 | 41.4 | 53.9 | 66.5 |
1：只针对其中的单项选择题进行测试，即排除了填空题、开放性问题和多项选择题
2：来源于 Baichuan-13B 的汇报结果
3：来源于 C-Eval 的汇报结果
4：来源于Llama 2 论文的汇报结果对于 MMLU ，我们采用作者提供的评测工具，C-Eval、AGIEval、GAOKAO-Bench、GAOKAO-English 与 MMLU 的评测方式相同，且统一采用 5-shot 构造测试样本。
| 模型\类别 | Average | STEM | Social Science | Humanities | Others |
|---|---|---|---|---|---|
| Baichuan-13B | 51.6 | 41.6 | 60.9 | 47.4 | 58.5 |
| Llama-1-13B | 46.9 | 35.8 | 53.8 | 45.0 | 53.3 |
| Llama-2-13B | 54.8 | 44.1 | 62.6 | 52.8 | 61.1 |
| moss-moon-003-base (16B) | 24.7 | 23.0 | 24.0 | 25.2 | 26.3 |
| OpenLLaMA-13B | 42.4 | 34.7 | 48.6 | 40.0 | 47.1 |
| OPT-13B | 25.2 | 23.9 | 24.1 | 25.9 | 26.3 |
| Pythia-12B | 25.1 | 24.8 | 23.0 | 26.1 | 26.0 |
| Ziya-LLaMA-13B-Pretrain-v1 | 43.9 | 36.3 | 48.8 | 41.1 | 50.3 |
| XVERSE-13B | 55.1 | 44.5 | 64.4 | 50.5 | 62.9 |
| 模型\类别 | Average | STEM | Social Science | Humanities | Others |
|---|---|---|---|---|---|
| Baichuan-13B | 53.6 | 47.0 | 66.8 | 57.3 | 49.8 |
| Llama-1-13B | 28.8 | 27.5 | 33.9 | 27.7 | 27.7 |
| Llama-2-13B | 35.6 | 34.5 | 39.8 | 36.2 | 33.2 |
| moss-moon-003-base (16B) | 33.1 | 31.6 | 37.0 | 33.4 | 32.1 |
| OpenLLaMA-13B | 24.7 | 25.5 | 23.5 | 24.2 | 24.7 |
| OPT-13B | 25.0 | 24.4 | 24.6 | 25.9 | 25.4 |
| Pythia-12B | 26.2 | 26.8 | 25.1 | 26.7 | 25.4 |
| Ziya-LLaMA-13B-Pretrain-v1 | 30.2 | 27.8 | 34.3 | 32.0 | 29.0 |
| XVERSE-13B | 54.7 | 45.6 | 66.2 | 58.3 | 56.9 |
- 下载本仓库：
git clone https://github.com/xverse-ai/XVERSE-13B
cd XVERSE-13B- 使用 pip 安装依赖：
pip install -r requirements.txt可通过以下代码加载 XVERSE-13B 模型进行推理：
>>> from transformers import AutoTokenizer, AutoModelForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("xverse/XVERSE-13B")
>>> model = AutoModelForCausalLM.from_pretrained("xverse/XVERSE-13B", trust_remote_code=True).half().cuda()
>>> model = model.eval()
>>> inputs = tokenizer('北京的景点：故宫、天坛、万里长城等。\n深圳的景点：', return_tensors='pt').input_ids
>>> inputs = inputs.cuda()
>>> generated_ids = model.generate(inputs, max_new_tokens=64, eos_token_id=tokenizer.eos_token_id, repetition_penalty=1.1)
>>> print(tokenizer.batch_decode(generated_ids, skip_special_tokens=True))可通过以下代码启动一个web server，在浏览器输入访问地址后，可使用 XVERSE-13B 模型进行推理：
python text_generation_demo.py --port='port' --model_path='/path/to/model/' --tokenizer_path='/path/to/tokenizer/'XVERSE-13B 与其他所有 LLM 一样，在某些情况下可能会产生不准确、有偏见或其他令人反感的内容。因此，请谨慎使用模型生成的内容，请勿将生成的有害内容进行传播，在部署任何 XVERSE-13B 的应用之前，开发人员应根据其具体应用对模型进行安全测试和调优。
我们强烈警告不要将 XVERSE-13B 模型用于制造或传播有害信息，或进行任何可能损害公众、国家、社会安全或违反法规的活动。如果使用 XVERSE-13B 模型产生任何问题，无论是数据安全问题、公共舆论风险，还是模型被误解、滥用、传播或不合规使用所引发的任何风险和问题，我们将不承担任何责任。
使用本仓库的源码需要遵循 Apache-2.0 开源协议，使用 XVERSE-13B 的模型权重则需要遵循模型许可协议。
XVERSE-13B 模型权重对学术研究完全开放，并且支持免费商用，商用需申请商业使用授权，可以发送邮件到 [email protected] 进行申请。