dummy-foo/ChatGLM3-Japanese

ChatGLM3-6B是一个中英双语大模型，本项目为ChatGLM3-6B加入日文能力。
通过sentencepiece在日文wiki和青空文库上训练BPE的tokenizer，词表扩充14000（64789 -> 78554），相比原生ChatGLM3的日文编码效率提升接近一倍，中文英文编码效率不变。

扩充词表后，在1B tokens上进行增量预训练，然后在22万对话上进行指令微调，得到最终的模型。

共有两个模型：

• ChatGLM3-Japanese-Zero：经过扩词表和resize后的模型，保留了ChatGLM3的中英文能力，尚无日文能力，但因为编码效率高，适合在日文语料上训练。
• ChatGLM3-Japanese：本模型，对ChatGLM3-Japanese-Zero进行日文语料增量预训练和指令微调的模型，可以日文对话。

GitHub上有全流程的代码，包含训练tokenizer和训练模型。

使用样例:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("dummy-foo/ChatGLM3-Japanese", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("dummy-foo/ChatGLM3-Japanese", trust_remote_code=True, device_map='cuda:0', torch_dtype=torch.float16)

# test Chinese chat
response, _ = model.chat(tokenizer, "你是谁", history=[])
print("\nQ：你是谁，A：", response)
response, _ = model.chat(tokenizer, "你喜欢甜粽子还是咸粽子", history=[])
print("\nQ：你喜欢甜粽子还是咸粽子，A：", response)

# test Japanese chat
response, _ = model.chat(tokenizer, "あなたは誰ですか", history=[])
print("\nQ：あなたは誰ですか，A：", response)
response, _ = model.chat(tokenizer, "すみません、ちょっとお聞きしたいことがあるんですが", history=[])
print("\nQ：すみません、ちょっとお聞きしたいことがあるんですが，A：", response)

# test Japanese tokenizer
print("\ntokens: ", tokenizer.tokenize("恥の多い生涯を送って来ました。自分には、人間の生活というものが、見当つかないのです。"))