標(biāo)題：中文LLaMA-2刷榜，開源可商用！千元預(yù)算，訓(xùn)練半天，效果媲美主流大模型
最強(qiáng)中文版LLaMA-2來了！15小時訓(xùn)練，僅需數(shù)千元算力，性能碾壓同級中文漢化模型，開源可商用。
LLaMA-2相較于LLaMA-1，引入了更多且高質(zhì)量的語料，實現(xiàn)了顯著的性能提升，全面允許商用，進(jìn)一步激發(fā)了開源社區(qū)的繁榮，拓展了大型模型的應(yīng)用想象空間。
然而，從頭預(yù)訓(xùn)練大模型的成本相當(dāng)高，被戲稱「5000萬美元才能入局」，這使得許多企業(yè)和開發(fā)者望而卻步。那么，如何以更低的成本構(gòu)建自己的大型模型呢？
作為大模型降本增效的領(lǐng)導(dǎo)者，Colossal-AI團(tuán)隊充分利用LLaMA-2的基礎(chǔ)能力，采用高效的訓(xùn)練方法，僅使用約8.5B token數(shù)據(jù)、15小時、數(shù)千元的訓(xùn)練成本，成功構(gòu)建了性能卓越的中文LLaMA-2，在多個評測榜單性能優(yōu)越。
相較于原始LLaMA-2，在成功提升中文能力的基礎(chǔ)上，進(jìn)一步提升其英文能力，性能可與開源社區(qū)同規(guī)模預(yù)訓(xùn)練SOTA模型媲美。
秉承Colossal-AI團(tuán)隊一貫的開源原則，完全開源全套訓(xùn)練流程、代碼及權(quán)重，無商用限制，并提供了一個完整的評估體系框架ColossalEval，以實現(xiàn)低成本的可復(fù)現(xiàn)性。
此外，相關(guān)方案還可遷移應(yīng)用到任意垂類領(lǐng)域和從頭預(yù)訓(xùn)練大模型的低成本構(gòu)建。
開源代碼與權(quán)重：https://github.com/hpcaitech/ColossalAI
01
性能表現(xiàn)
注：基于ColossalEval評分，括號中分?jǐn)?shù)來源于對應(yīng)模型官方發(fā)布的榜單分?jǐn)?shù)，C-Eval分?jǐn)?shù)來源于官網(wǎng)Leaderboard。
在常見的中、英文評測榜單，可以看到，在英文MMLU榜單中，Colossal-LLaMA-2-7B-base在低成本增量預(yù)訓(xùn)練的加持下，克服了災(zāi)難性遺忘的問題，能力逐步提升（44.47 -> 53.06），在所有7B規(guī)模的模型中，表現(xiàn)優(yōu)異。
在中文榜單中，主要對比了CMMLU, AGIEVAL, GAOKAO與 C-Eval，效果遠(yuǎn)超基于LLaMA-2的其他中文漢化模型。尤其是與原始LLaMA-2相比，Colossal-LLaMA-2在中文能力上有了質(zhì)的飛躍 (CMMLU: 32.97 -> 49.89)。
即使與其他采用中文語料，可能花費上千萬元成本，從頭預(yù)訓(xùn)練的各大知名模型相比，Colossal-LLaMA-2在同規(guī)模下仍表現(xiàn)搶眼。
而通過SFT、LoRA等方式微調(diào)，能有效注入基座模型的知識與能力十分有限，不能較好的滿足高質(zhì)量領(lǐng)域知識或垂類模型應(yīng)用的構(gòu)建的需求。
為了更好的評估模型的性能，Colossal-AI團(tuán)隊不僅僅依賴于量化的指標(biāo)，還對于模型的不同方面進(jìn)行了人工的評估，以下是一些例子：
從整個訓(xùn)練的Loss記錄來看，在利用Colossal-AI系統(tǒng)降本增效能力的同時，模型收斂性也得到充分保證，僅通過約8.5B tokens（85億tokens），數(shù)千元算力成本，讓模型達(dá)到如此驚艷的效果。
而市面上的大模型動輒使用幾萬億token進(jìn)行訓(xùn)練才有效果保證，成本高昂。
那么Colossal-AI團(tuán)隊是如何把訓(xùn)練成本降低，并達(dá)到如此的效果的呢？
02
詞表擴(kuò)充與模型初始化
LLaMA-2原始詞表并未針對中文做特定優(yōu)化，所包含的中文詞有限，導(dǎo)致在中文語料上理解力不足。因此，首先對LLaMA-2進(jìn)行了詞表的擴(kuò)充。
Colossal-AI團(tuán)隊發(fā)現(xiàn)：
詞表的擴(kuò)充不僅可以有效提升字符串序列編碼的效率，并且使得編碼序列包含更多的有效信息，進(jìn)而在篇章級別編碼和理解上，有更大的幫助。
然而，由于增量預(yù)訓(xùn)練數(shù)據(jù)量較少，擴(kuò)充較多的單詞反而會導(dǎo)致某些單詞或組合無實際意義，在增量預(yù)訓(xùn)練數(shù)據(jù)集上難以充分學(xué)習(xí)，影響最終效果。
過大的詞表會導(dǎo)致embedding相關(guān)參數(shù)增加，從而影響訓(xùn)練效率。
因此，經(jīng)過反復(fù)實驗，同時考慮了訓(xùn)練的質(zhì)量與訓(xùn)練的效率，Colossal-AI團(tuán)隊最終確定將詞表從LLaMA-2原有的32000擴(kuò)充至69104。
有了擴(kuò)充好的詞表，下一步就是基于原有的LLaMA-2初始化新詞表的 embedding。
為了更好的遷移LLaMA-2原有的能力，實現(xiàn)從原有LLaMA-2到中文LLaMA-2能力的快速遷移，Colossal-AI團(tuán)隊利用原有的LLaMA-2的權(quán)重，對新的embedding進(jìn)行均值初始化。
如此一來，既保證了新初始化的模型在初始狀態(tài)下，英文能力不受影響，又可以盡可能的無縫遷移英文能力到中文上。
03
數(shù)據(jù)構(gòu)建
為了更大程度的降低訓(xùn)練的成本，高質(zhì)量的數(shù)據(jù)在其中起著關(guān)鍵作用，尤其是對于增量預(yù)訓(xùn)練，對于數(shù)據(jù)的質(zhì)量，分布都有著極高的要求。
為了更好的篩選高質(zhì)量的數(shù)據(jù)，Colossal-AI團(tuán)隊構(gòu)建了完整的數(shù)據(jù)清洗體系與工具包，以便篩選更為高質(zhì)量的數(shù)據(jù)用于增量預(yù)訓(xùn)練。
Colossal-AI團(tuán)隊數(shù)據(jù)治理的完整流程
除了常見的對數(shù)據(jù)進(jìn)行啟發(fā)式的篩選和去重，還對重點數(shù)據(jù)進(jìn)行了打分和分類篩選。
合適的數(shù)據(jù)對于激發(fā)LLaMA-2的中文能力，同時克服英文的災(zāi)難性遺忘問題，有著至關(guān)重要的作用。
最后，為了提高訓(xùn)練的效率，對于相同主題的數(shù)據(jù)，Colossal-AI團(tuán)隊對數(shù)據(jù)的長度進(jìn)行了排序，并根據(jù)4096的最大長度進(jìn)行拼接。
04
訓(xùn)練策略
多階段訓(xùn)練
在訓(xùn)練方面，針對增量預(yù)訓(xùn)練的特點，Colossal-AI團(tuán)隊設(shè)計了多階段，層次化的增量預(yù)訓(xùn)練方案，將訓(xùn)練的流程劃分為三個階段:
大規(guī)模預(yù)訓(xùn)練階段：目標(biāo)是通過大量語料訓(xùn)練，使得模型可以產(chǎn)出相對較為流暢的文本。該階段由LLaMA-2完成，經(jīng)過此階段，模型已經(jīng)掌握大量英文知識，并可以根據(jù)Next Token Prediction輸出流暢的結(jié)果。
中文知識注入階段：該階段依賴于高質(zhì)量的中文知識，一方面增強(qiáng)了模型對于中文知識的掌握程度，另一方面提升了模型對于新增中文詞表中單詞的理解。
相關(guān)知識回放階段：該階段致力于增強(qiáng)模型對于知識的理解與泛化能力，緩解災(zāi)難性遺忘問題。
多階段相輔相成，最終保證模型在中英文的能力上齊頭并進(jìn)。
分桶訓(xùn)練
增量預(yù)訓(xùn)練對于數(shù)據(jù)的分布極為敏感，均衡性就尤為重要。
因此，為了保證數(shù)據(jù)的均衡分布，Colossal-AI團(tuán)隊設(shè)計了數(shù)據(jù)分桶的策略，將同一類型的數(shù)據(jù)劃分為10個不同的bins。
在訓(xùn)練的過程中，每個數(shù)據(jù)桶中均勻的包含每種類型數(shù)據(jù)的一個bin，從而確保了每種數(shù)據(jù)可以均勻的被模型所利用。
05
評估體系
為了更好的評估模型的性能，Colossal-AI團(tuán)隊搭建了完整的評估體系——ColossalEval，希望通過多維度對大語言模型進(jìn)行評估。
流程框架代碼完全開源，不僅支持結(jié)果復(fù)現(xiàn)，也支持用戶根據(jù)自己不同的應(yīng)用場景自定義數(shù)據(jù)集與評估方式。
評估框架特點總結(jié)如下：
涵蓋針對于大語言模型知識儲備能力評估的常見數(shù)據(jù)集如MMLU，CMMLU等。針對于單選題這樣的形式，除了常見的比較ABCD概率高低的計算方式，增加更為全面的計算方式，如絕對匹配，單選困惑度等，以求更加全面的衡量模型對于知識的掌握程度。
支持針對多選題的評估和長文本評估。
支持針對于不同應(yīng)用場景的評估方式，如多輪對話，角色扮演，信息抽取，內(nèi)容生成等。用戶可根據(jù)自己的需求，有選擇性的評估模型不同方面的能力，并支持自定義prompt與評估方式的擴(kuò)展。
構(gòu)建通用大模型到垂類大模型遷移的橋梁
由Colossal-AI團(tuán)隊的經(jīng)驗來看，基于LLaMA-2構(gòu)建中文版模型，可基本分為以下流程：
那么這套方案是否可以復(fù)用呢？
答案是肯定的，并且在業(yè)務(wù)落地的場景中是非常有意義的。
隨著ChatGPT掀起的人工智能浪潮，全球各大互聯(lián)網(wǎng)巨頭、AI公司、創(chuàng)企、高校和研究機(jī)構(gòu)等，紛紛在通用大模型的賽道上策馬狂奔。
然而，通用大模型通用能力的背后往往是針對特定領(lǐng)域內(nèi)知識的不足，因此，在實際落地上，大模型幻覺的問題就變的尤為嚴(yán)重。
針對業(yè)務(wù)微調(diào)固然可以有一定的收獲，但垂類大模型的缺失導(dǎo)致應(yīng)用落地存在性能瓶頸。
如果可以快速低成本構(gòu)造一個垂類大模型，再基于垂類大模型進(jìn)行業(yè)務(wù)微調(diào)，一定能在業(yè)務(wù)落地上更進(jìn)一步，占得先機(jī)與優(yōu)勢。
將以上流程應(yīng)用在任意領(lǐng)域進(jìn)行知識遷移，即可低成本構(gòu)建任意領(lǐng)域垂類基座大模型的輕量化流程：
對于從頭預(yù)訓(xùn)練構(gòu)建基礎(chǔ)大模型，也可借鑒上述經(jīng)驗與Colossal-AI降本增效能力，以最低成本高效完成。
06
系統(tǒng)優(yōu)化
上述Colossal-LLaMA-2的亮眼表現(xiàn)和成本優(yōu)勢，構(gòu)建在低成本AI大模型開發(fā)系統(tǒng)Colossal-AI之上。
Colossal-AI基于PyTorch，可通過高效多維并行、異構(gòu)內(nèi)存等，降低AI大模型訓(xùn)練/微調(diào)/推理的開發(fā)與應(yīng)用成本，提升模型任務(wù)表現(xiàn)，降低GPU需求等。
僅一年多時間便已在GitHub開源社區(qū)收獲GitHub Star 3萬多顆，在大模型開發(fā)工具與社區(qū)細(xì)分賽道排名世界第一，已與世界500強(qiáng)在內(nèi)的多家知名廠商聯(lián)合開發(fā)/優(yōu)化千億/百億參數(shù)預(yù)訓(xùn)練大模型或打造垂類模型。
07
Colossal-AI云平臺
為了進(jìn)一步提高AI大模型開發(fā)和部署效率，Colossal-AI已進(jìn)一步升級為Colossal-AI云平臺，以低代碼/無代碼的方式供用戶在云端低成本進(jìn)行大模型訓(xùn)練、微調(diào)和部署，快速將各種模型接入到個性化的應(yīng)用中。
目前Colossal-AI云平臺上已經(jīng)預(yù)置了Stable diffusion, LLaMA-2等主流模型及解決方案，用戶只需上傳自己的數(shù)據(jù)即可進(jìn)行微調(diào)。
同時，也可以把自己微調(diào)之后的模型部署成為API，以實惠的價格使用A10, A800, H800等GPU資源，無需自己維護(hù)算力集群以及各類基礎(chǔ)設(shè)施。
此外，更多應(yīng)用場景、不同領(lǐng)域、不同版本的模型、企業(yè)私有化平臺部署等也正在不斷迭代。
ColossalAI云平臺現(xiàn)已開啟公測，注冊即可獲得代金券，歡迎參與并提出反饋。
Colossal-AI云平臺：
platform.luchentech.com
Colossal-AI云平臺文檔：
https://docs.platform.colossalai.com/
Colossal-AI開源地址：
https://github.com/hpcaitech/ColossalAI