大模型的文件有哪些？

在大模型仓库（如Hugging Face）中，例如：https://modelscope.cn/models/ZhipuAI/glm-4-9b-chat/files，通常会发现以下几类文件：

• 模型权重文件：存储训练好的模型参数，是模型推理和微调的基础
  • .pt、.ckpt、.safetensors
• 配置文件：确保模型架构的一致性，使得权重文件能够正确加载
  • config.json、generation_config.json
• 词汇表文件：保证输入输出的一致性
  • tokenizer.json、tokenizer_config.json

1、模型权重文件

• 模型权重文件是存储训练好的模型参数，是模型推理和微调的基础 ，常见的有.pt、.ckpt、.safetensors

• 不同的框架（如TensorFlow、PyTorch）使用不同的模型文件格式
  例如：

  • safetensors：适配多种框架，支持transformers库的模型加载
  • PyTorch：选择下载.pt或.bin格式的模型文件。
  • TensorFlow：选择下载.ckpt或.h5格式的模型文件。

1.1 safetensors是什么？

• .safetensors是由Hugging Face提出的一种新型的模型权重文件格式，有以下特点：

  • 安全性：.safetensors采用了加密和校验机制，防止模型文件被篡改或注入恶意代码
  • 性能：优化了数据加载和解析速度
  • 跨框架支持：有多种深度学习框架的兼容性，便于在不同环境中使用

• .safetensors中，大模型可被分为多个部分，格式类似modelname-0001.safetensors、modelname-0002.safetensors

• model.safetensors.index.json是索引文件，记录了模型的各个部分的位置和大小信息

2、配置文件

• config.json、generation_config.json

2.1 config.json

• config.json包含模型的配置信息（如模型架构、参数设置等）,可能包含隐藏层的数量、每层的神经元数、注意力头的数量等
• config.json的基本结构如下:

{"architectures": ["LlamaForCausalLM"],"hidden_act": "silu","hidden_size": 8192,"num_hidden_layers": 80,"max_position_embeddings": 8192,"model_type": "llama","num_attention_heads": 64,"vocab_size": 128256,......
}

• 例如architectures字段指定了模型的架构，hidden_act字段指定了隐藏层的激活函数，hidden_size字段指定了隐藏层的神经元数
• num_attention_heads字段指定了注意力头的数量，max_position_embeddings字段指定了模型能处理的最大输入长度等

2.2 generation_config.json

• generation_config.json是用于生成文本的配置文件，包含了生成文本时的参数设置，如max_length、temperature、top_k等
• generation_config.json的基本结构如下:

{"bos_token_id": 128000,"eos_token_id": 128001,"do_sample": true,"temperature": 0.6,"max_length": 4096,"top_p": 0.9,"transformers_version": "4.40.0.dev0"
}

• 例如bos_token_id字段指定了开始标记的ID，eos_token_id字段指定了结束标记的ID，do_sample字段指定了是否使用采样，temperature字段用于控制生成文本的随机性，max_length字段指定了生成文本的最大长度，top_p字段指定了采样的概率等
• config.json 和 generation_config.json 都可能包含 "bos_token_id"（Beginning of Sequence Token ID）和 "eos_token_id"（End of Sequence Token ID）。在config.json中，这两个字段用于模型的加载和训练，而在generation_config.json中，这两个字段用于生成文本时的参数设置
• config.json 提供模型的基本信息，而 generation_config.json 则细化为生成任务的具体需求

3、词汇表文件

词汇表文件包含了模型使用的词汇表或标记器信息，是自然语言处理模型理解和生成文本的基础。

• tokenizer.json、tokenizer_config.json

3.1 tokenizer.json

• tokenizer.json包含了模型使用的词汇表信息，如词汇表的大小、特殊标记的ID等
• tokenizer.json的基本结构如下:

{"version": "1.0","truncation": {"max_length": 128,"strategy": "longest_first"},"padding": {"side": "right","pad_id": 0,"pad_token": "[PAD]"},"added_tokens": [{"id": 128010,"content": "[CUSTOM]"}],"normalizer": {"type": "NFD","lowercase": true,"strip_accents": true},"pre_tokenizer": {"type": "ByteLevel","add_prefix_space": true},"post_processor": {"type": "AddSpecialTokens","special_tokens": {"cls_token": "[CLS]","sep_token": "[SEP]"}},"decoder": {"type": "ByteLevel"},"model": {"type": "BPE",...}
}

• 其中truncation是定义截断策略，用于限制输入序列的最大长度，padding用于统一输入序列的长度,added_tokens列出分词器额外添加到词汇表中的特殊标记或自定义标记
• normalizer用于定义文本标准化的步骤和规则，用于在分词前对输入文本进行预处理，pre_tokenizer定义分词器如何将输入文本分割为初步的tokens，post_processor定义分词后处理的步骤
• decoder定义如何将tokens ID 序列解码回原始文本,model定义了分词器的模型信息，如词汇表、合并规则（对于 BPE）等

3.2 tokenizer_config.json

• tokenizer_config.json是用于生成文本的配置文件，包含了生成文本时的参数设置，如max_length、temperature、top_k等
• tokenizer_config.json的基本结构如下:

{"added_tokens_decoder": [],"bos_token": "begin_of_text |>","clean_up_tokenization_spaces": true,"eos_token": "<|end_of_text|>","model_input_names": ["input_ids", "attention_mask"],"model_max_length": 1000000,"tokenizer_class": "PreTrainedTokenizerFast"
}

• 其中added_tokens_decoder定义分词器在解码（将 token ID 转换回文本）过程中需要额外处理的特殊标记或自定义标记
• bos_token、eos_token定义开始、结束标记，clean_up_tokenization_spaces定义了是否清除分词后的多余空格等
• tokenizer.json和tokenizer_config.json的区别：tokenizer.json侧重于分词器的训练和加载，而tokenizer_config.json更侧重于生成文本时的参数设置

为什么很多模型都没有 vocab.txt 了？现代分词器采用了更为丰富和灵活的文件格式，如 tokenizer.json，以支持更复杂的分词策略和特殊标记处理