千元預(yù)算半天訓(xùn)練，效果媲美主流大模型，開源可商用中文LLaMA-2

作者：機(jī)器之心 2023-09-25 12:14:00

秉承 Colossal-AI 團(tuán)隊(duì)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(gè)完整的評(píng)估體系框架 ColossalEval，以實(shí)現(xiàn)低成本的可復(fù)現(xiàn)性。

LLaMA-2 相較于 LLaMA-1，引入了更多且高質(zhì)量的語料，實(shí)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(duì)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(shí)、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(gè)評(píng)測(cè)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(duì)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(gè)完整的評(píng)估體系框架 ColossalEval，以實(shí)現(xiàn)低成本的可復(fù)現(xiàn)性。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

性能表現(xiàn)

注：基于 ColossalEval 評(píng)分，括號(hào)中分?jǐn)?shù)來源于對(duì)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(píng)測(cè)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(duì)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。即使與其他采用中文語料，可能花費(fèi)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。尤其是與原始 LLaMA-2 相比，在中文能力上有了質(zhì)的飛躍 (CMMLU: 32.97 -> 49.89)。

而通過 SFT、LoRA 等方式微調(diào)，能有效注入基座模型的知識(shí)與能力十分有限，不能較好的滿足高質(zhì)量領(lǐng)域知識(shí)或垂類模型應(yīng)用的構(gòu)建的需求。

為了更好的評(píng)估模型的性能，Colossal-AI 團(tuán)隊(duì)不僅僅依賴于量化的指標(biāo)，還對(duì)于模型的不同方面進(jìn)行了人工的評(píng)估，以下是一些例子：

從整個(gè)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(shí)，模型收斂性也得到充分保證，僅通過約 8.5 B 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(dòng)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(duì)是如何把訓(xùn)練成本降低，并達(dá)到如此的效果的呢？

詞表擴(kuò)充與模型初始化

LLaMA-2 原始詞表并未針對(duì)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(duì) LLaMA-2 進(jìn)行了詞表的擴(kuò)充。

Colossal-AI 團(tuán)隊(duì)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(jí)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(huì)導(dǎo)致某些單詞或組合無實(shí)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(huì)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(shí)驗(yàn)，同時(shí)考慮了訓(xùn)練的質(zhì)量與訓(xùn)練的效率，Colossal-AI 團(tuán)隊(duì)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(shí)現(xiàn)從原有 LLaMA-2 到中文 LLaMA-2 能力的快速遷移，Colossal-AI 團(tuán)隊(duì)利用原有的 LLaMA-2 的權(quán)重，對(duì)新的 embedding 進(jìn)行均值初始化。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。

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(duì)于增量預(yù)訓(xùn)練，對(duì)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(duì)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。

以下圖片展示了 Colossal-AI 團(tuán)隊(duì)數(shù)據(jù)治理的完整流程：

除了常見的對(duì)數(shù)據(jù)進(jìn)行啟發(fā)式的篩選和去重，還對(duì)重點(diǎn)數(shù)據(jù)進(jìn)行了打分和分類篩選。合適的數(shù)據(jù)對(duì)于激發(fā) LLaMA-2 的中文能力，同時(shí)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(duì)于相同主題的數(shù)據(jù)，Colossal-AI 團(tuán)隊(duì)對(duì)數(shù)據(jù)的長(zhǎng)度進(jìn)行了排序，并根據(jù) 4096 的最大長(zhǎng)度進(jìn)行拼接。

訓(xùn)練策略

多階段訓(xùn)練

在訓(xùn)練方面，針對(duì)增量預(yù)訓(xùn)練的特點(diǎn)，Colossal-AI 團(tuán)隊(duì)設(shè)計(jì)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(gè)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(duì)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(shí)，并可以根據(jù) Next Token Prediction 輸出流暢的結(jié)果。
中文知識(shí)注入階段：該階段依賴于高質(zhì)量的中文知識(shí)，一方面增強(qiáng)了模型對(duì)于中文知識(shí)的掌握程度，另一方面提升了模型對(duì)于新增中文詞表中單詞的理解。
相關(guān)知識(shí)回放階段：該階段致力于增強(qiáng)模型對(duì)于知識(shí)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(duì)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(duì)設(shè)計(jì)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(gè)不同的 bins。在訓(xùn)練的過程中，每個(gè)數(shù)據(jù)桶中均勻的包含每種類型數(shù)據(jù)的一個(gè) bin，從而確保了每種數(shù)據(jù)可以均勻的被模型所利用。

評(píng)估體系

為了更好的評(píng)估模型的性能，Colossal-AI 團(tuán)隊(duì)搭建了完整的評(píng)估體系 - ColossalEval，希望通過多維度對(duì)大語言模型進(jìn)行評(píng)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(chǎng)景自定義數(shù)據(jù)集與評(píng)估方式。評(píng)估框架特點(diǎn)總結(jié)如下：

涵蓋針對(duì)于大語言模型知識(shí)儲(chǔ)備能力評(píng)估的常見數(shù)據(jù)集如 MMLU，CMMLU 等。針對(duì)于單選題這樣的形式，除了常見的比較 ABCD 概率高低的計(jì)算方式，增加更為全面的計(jì)算方式，如絕對(duì)匹配，單選困惑度等，以求更加全面的衡量模型對(duì)于知識(shí)的掌握程度。
支持針對(duì)多選題的評(píng)估和長(zhǎng)文本評(píng)估。
支持針對(duì)于不同應(yīng)用場(chǎng)景的評(píng)估方式，如多輪對(duì)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(píng)估模型不同方面的能力，并支持自定義 prompt 與評(píng)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(duì)的經(jīng)驗(yàn)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(chǎng)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(duì)特定領(lǐng)域內(nèi)知識(shí)的不足，因此，在實(shí)際落地上，大模型幻覺的問題就變的尤為嚴(yán)重。針對(duì)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(gè)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(shì)。

將以上流程應(yīng)用在任意領(lǐng)域進(jìn)行知識(shí)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(duì)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(yàn)與 Colossal-AI 降本增效能力，以最低成本高效完成。

系統(tǒng)優(yōu)化

上述 Colossal-LLaMA-2 的亮眼表現(xiàn)和成本優(yōu)勢(shì)，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(shí)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。

Colossal-AI 云平臺(tái)

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(jí)為 Colossal-AI 云平臺(tái)，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(gè)性化的應(yīng)用中。

目前 Colossal-AI 云平臺(tái)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(shí)也可以把自己微調(diào)之后的模型部署成為 API，以實(shí)惠的價(jià)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。更多應(yīng)用場(chǎng)景、不同領(lǐng)域、不同版本的模型、企業(yè)私有化平臺(tái)部署等正不斷迭代。

ColossalAI 云平臺(tái)現(xiàn)已開啟公測(cè)，注冊(cè)即可獲得代金券，歡迎參與并提出反饋。