ModelScope-Agent-Qwen-7B

模型简介

ModelScope-Agent是魔搭社区推出的智能体Agent框架。MSAgent-Qwen-7B是基于Qwen-7B基础上微调训练后的，驱动该Agent框架的核心模型。其中Qwen-7B是基于Transformer的大语言模型, 在超大规模的预训练数据上进行训练得到。预训练数据类型多样，覆盖广泛，包括大量网络文本、专业书籍、代码等。在Qwen-7B-Chat模型的基础上，我们使用MSAgent-Bench数据集训练增强其作为Agent中枢的调用AI模型，工具和利用检索知识问答的能力。

如果您想了解更多关于ModelScope-Agent的细节，我们建议您参阅ModelScope-Agent Github代码库。

依赖项（Dependency）

运行MSAgent-Qwen-7B，请确保机器环境pytorch版本不低于1.12，再执行以下pip命令安装依赖库

pip install modelscope
pip install transformers_stream_generator

另外，推荐安装flash-attention库，以实现更高的效率和更低的显存占用。

In addition, it is recommended to install the flash-attention library for higher efficiency and lower memory usage.

git clone -b v1.0.8 https://github.com/Dao-AILab/flash-attention
cd flash-attention && pip install .
pip install csrc/layer_norm
pip install csrc/rotary

版本介绍

• v1.0.2: 该版本为通用Agent版本，在AI模型调用和通用工具调用以及工具调用的泛化性上都比较强，通过MSAgent-Bench全量训练数据训练得到
• v1.0.1: 该版本为魔搭GPT应用的开源模型，主要在AI模型调用上能力比较强，包括图片生成，视频生成等，具体能力可在右侧创空间体验

快速使用

下面我们展示了一个使用MSAgent-Qwen-7B模型，进行多轮对话交互的样例（非流式）：

from modelscope import AutoModelForCausalLM, AutoTokenizer
from modelscope import GenerationConfig

tokenizer = AutoTokenizer.from_pretrained("damo/MSAgent-Qwen-7B", revision = 'v1.0.2',trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("damo/MSAgent-Qwen-7B", revision = 'v1.0.2',device_map="auto", trust_remote_code=True,fp16=True).eval()
model.generation_config = GenerationConfig.from_pretrained("damo/MSAgent-Qwen-7B",revision = 'v1.0.2', trust_remote_code=True) # 可指定不同的生成长度、top_p等相关超参


system = """
 <|system|>:当前对话可以使用的插件信息如下，请自行判断是否需要调用插件来解决当前用户问题。若需要调用插件，则需要将插件调用请求按
照json格式给出，必须包含api_name、url、parameters字段，并在其前后使用<|startofthink|>和<|endofthink|>作为标志。然后你需要根据插
件API调用结果生成合理的答复；若无需调用插件，则直接给出对应回复即可：

1. {"name": "modelscope_image-generation", "description": "图片生成服务，针对文本输入，生成对应的图片，插图等", "parameters": [{"name": "text", "description": "用户输入的文本信息", "required": true}]}

2. {"name": "modelscope_speech-generation", "description": "朗读文本内容，将文本转语音服务，将文字转换为自然而逼真的语音，可配置男声/女声", "parameters": [{"name": "input", "description": "要转成语音的文本", "required": true}, {"name": "gender", "description": "用户身份", "required": true}]}
"""

response, history = model.chat(tokenizer, "嗨，storyagent，我正在为一个新的电子绘本构思一个故事。我希望这是一个关于友谊和冒险的故事，主角是一只勇敢的小狐狸和其他小动物，生成三个故事情节，分段写出。", history=None, system=system)
print(response)
response, history = model.chat(tokenizer, "生成一张插图，根据故事情节一的内容。", history=history, system=system)
print(response)
response, history = model.chat(tokenizer, "请用女生语音读下这个故事的第一段内容。", history=history, system=system)
print(response)

模型细节（Model）

与Qwen-7B预训练模型相同，MSAgent-Qwen-7B模型规模基本情况如下所示

在分词器方面，相比目前主流开源模型以中英词表为主，Qwen-7B-Chat使用了约15万token大小的词表。 该词表在GPT-4使用的BPE词表cl100k_base基础上，对中文、多语言进行了优化，在对中、英、代码数据的高效编解码的基础上，对部分多语言更加友好，方便用户在不扩展词表的情况下对部分语种进行能力增强。 词表对数字按单个数字位切分。调用较为高效的tiktoken分词库进行分词。

评测效果（Evaluation）

使用协议（License Agreement）

我们的代码和模型权重对学术研究完全开放，并支持商用。请查看LICENSE了解具体的开源协议细节。

Our code and checkpoints are open to research purpose, and they are allowed for commercial purposes. Check LICENSE for more details about the license.