winninghealth/WiNGPT2-Gemma-2-9B-Base

WiNGPT2

WiNGPT 是一个基于GPT的医疗垂直领域大模型，旨在将专业的医学知识、医疗信息、数据融会贯通，为医疗行业提供智能化的医疗问答、诊断支持和医学知识等信息服务，提高诊疗效率和医疗服务质量。

更新日志

[2024/08/15] 更新 WiNGPT2-Gemma-2-9B-Base 和 WiNGPT2-Gemma-2-9B-Chat 模型（中文医疗能力提升超过13%/多语言）与测评结果（WiNEval-2.0）

[2024/04/24] 更新 WiNGPT2-Llama-3-8B-Chat-AWQ，WiNGPT2-Llama-3-8B-Chat-GGUF 量化模型

[2024/04/23] 更新 WiNGPT2-Llama-3-8B-Base 和 WiNGPT2-Llama-3-8B-Chat 模型（中文增强/多语言）与测评结果

[2024/04/01] 更新 WiNEval 测评结果

[2024/03/05] 开源7B/14B-Chat-4bit模型权重: 🤗WiNGPT2-7B-Chat-4bit和🤗WiNGPT2-14B-Chat-4bit。

[2023/12/20] 新增用户微信群二维码，有效期到12月27日，扫码进群。

[2023/12/18] 发布卫宁健康医疗模型测评方案 WiNEval-MCKQuiz的评测结果。

[2023/12/12] 开源 WiNGPT2 14B模型权重: 🤗WiNGPT2-14B-Base 和 🤗WiNGPT2-14B-Chat。

[2023/11/02] 34B模型平台测试和欢迎加入微信讨论群

[2023/10/13] 更新一个简单的Chatbot示例，可以进行简单的多轮对话。

[2023/09/26] 开源 WiNGPT2 与7B模型权重: 🤗WiNGPT2-7B-Base 和 🤗WiNGPT2-7B-Chat。

如何使用

推理

from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = "WiNGPT2-Gemma-2-9B-Chat"
device = "cuda"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path).to(device)
model = model.eval()


messages = [{"role": "user", "content": "WiNGPT, 你好"}]
input_ids = tokenizer.apply_chat_template(conversation=messages, tokenize=True, return_tensors='pt')

output_ids = model.generate(
    input_ids.to(device),
    eos_token_id=tokenizer.convert_tokens_to_ids('<end_of_turn>'),
    max_new_tokens=1024,
    repetition_penalty=1.1
    )
response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)

print(response)

## 输出结果示例：你好！今天我能为你做些什么？

提示

WiNGPT-Gemma-2-9B-Chat 使用了自定义的提示格式：

用户角色：system/user/assistant

chat_template:

{% if not add_generation_prompt is defined %}{% set add_generation_prompt = false %}{% endif %}{% for message in messages %}{{'<start_of_turn>' + message['role'] + '\n' + message['content'] + '<end_of_turn>' + '\n'}}{% endfor %}{% if add_generation_prompt %}{{ '<start_of_turn>assistant\n' }}{% endif %}

注意，我们的 chat_template 和原模型的略有不同

指令提示示例：

[{"role": "user", "content": "WiNGPT, 你好"}]

多轮对话示例：

[
  {"role": "user", "content": "WiNGPT, 你好"},
  {"role": "assistant", "content": "你好！今天我能为你做些什么？"},
  {"role": "user", "content": "流感应该怎么办啊？"},
]

翻译功能示例：

[
  {"role": "system", "content": "作为医疗领域的智能助手，WiNGPT将提供中英翻译服务。用户输入的中文或英文内容将由WiNGPT进行准确的翻译，以满足用户的语言需求。"},
  {"role": "user", "content": "Life is short, you know, and time is so swift; Rivers are wide, so wide, and ships sail far."}
]

模型卡

训练配置与参数

名称	训练策略	长度	精度	学习率	Weight_decay	Epochs	GPUs
WiNGPT2-Gemma-2-9B-Base	继续预训练 (23G)	8192	bf16	5e-5	0.05	2	A100*8
WiNGPT2-Gemma-2-9B-Chat	微调/对齐 (45万条)	8192	bf16	5e-6	0.012	2	A100*8

训练数据

预训练数据约23G，指令微调对齐数据约45万条，详细内容。

中文医疗评测 - WiNEval 2.0

更新时间：2024-08-15

	Type	MCKQuiz-2.0 / (2024only)	MSceQA-2.0
WiNGPT2-Gemma-2-9B-Base	Continued Pre-training	74.3 / 77.8	/
WiNGPT2-Llama-3-8B-Base	Continued Pre-training	66.3 / 70.4	/
gemma-2-9b	Pre-training	44.8 / 42.0	/

WiNGPT2-Gemma-2-9B-Chat	Finetuning/Alignment	73.5 / 77.8	82.9
gemma-2-9b-it	Finetuning/Alignment	53.7 / 48.2	80.18
Llama-3.1-8B-Instruct	Finetuning/Alignment	61.6 / 68.5	73.2
WiNGPT2-Llama-3-8B-Chat	Finetuning/Alignment	65.8 / 72.2	73.0

MCKQuiz（客观题）：17个科目分类13060选择题；输入问题和选项，让模型输出答案。根据标准答案判断对错，统计准确率。

MSceQA（主观题）：由细分领域场景题目构成，包含八大业务场景，17个一级分类和32个二级分类。使用人工/模型对模型的回答进行准确性、相关性、一致性、完整性、权威性评价，并参照标准答案对模型生成的答案进行评分。

MCKQuiz-2.0（客观题）：增加1%的最新2024年题库。MSceQA-2.0（主观题）：增加了45种（130%）场景题，。

历史WiNEval评测结果

企业服务

通过WiNGPT测试平台申请密钥或与我们取得联系

局限性与免责声明

(a) WiNGPT2 是一个专业医疗领域的大语言模型，可为一般用户提供拟人化AI医生问诊和问答功能，以及一般医学领域的知识问答。对于专业医疗人士，WiNGPT2 提供关于患者病情的诊断、用药和健康建议等方面的回答的建议仅供参考。

(b) 您应理解 WiNGPT2 仅提供信息和建议，不能替代医疗专业人士的意见、诊断或治疗建议。在使用 WiNGPT2 的信息之前，请寻求医生或其他医疗专业人员的建议，并独立评估所提供的信息。

(c) WiNGPT2 的信息可能存在错误或不准确。卫宁健康不对 WiNGPT2 的准确性、可靠性、完整性、质量、安全性、及时性、性能或适用性提供任何明示或暗示的保证。使用 WiNGPT2 所产生的结果和决策由您自行承担。第三方原因而给您造成的损害结果承担责任。

许可证

本项目授权协议为 Apache License 2.0，模型权重需要遵守基础模型 Gemma 相关协议及其使用条款，详细内容参照其网站。
使用本项目包括模型权重时请引用本项目：https://github.com/winninghealth/WiNGPT2

联系我们

网站：https://www.winning.com.cn

邮箱：[email protected]

winninghealth
/

WiNGPT2-Gemma-2-9B-Base