LLM总结（持续更新中）

引言

• 当前LLM模型火出天际，但是做事还是需要脚踏实地。
• 此文只是日常学习LLM，顺手整理所得。
• 本篇博文更多侧重对话、问答类LLM上，其他方向（代码生成）这里暂不涉及，可以去看综述来了解。

之前LLM模型梳理

• 图来源： A Survey of Large Language Models | Github Repo
  

BLOOM （BigScience）

• BLOOM是一个自回归的大模型，可根据prompt来生成连续的文本。包括46种语言和13个编程语言。
• 参数量为1760亿个参数。和GPT一样，使用的是decoder-only架构。
• 训练所用数据集基本是手搓出来的。
• 但是要想推理起来这个模型，起码需要8个A800 80G的显卡才能推理起来。小编前不久有幸推理了一下，模型将近就有328G，真是够大的。
• 这个模型要想落地，可就需要很长一段时间了。

后BLOOM模型梳理

BLOOM

Firefly

BELLE

LLaMA (Meta)

• 缺乏指令微调

后LLaMA模型梳理

LLaMA

Alpaca

FreedomGPT

Chinese-alpaca-lora

japanese-alpaca-lora

Wombat

Vicuna

Koala

ChatLLaMA

Chinese-ChatLLaMA

ColossalChat

Baize

gpt4all

HuaTuo

Alpaca (斯坦福)

• 由Meta的LLaMA 7B微调而来，52k数据，性能约等于GPT-3.5
• 由Self-Instruct: Aligning Language Model with Self Generated Instructions论文启发，使用现有强语言模型自动生成指令数据
• 衍生项目：
  • Alpaca-LoRA: 开启了LLaMA模型上LoRA微调
  • Chinese-LLaMA-Alpaca
  • Chinese-alpaca-lora
  • japanese-alpaca-lora
  • Wombat
    • 提出无需强化学习的对齐方法训练语言模型

Vicuna (UC伯克利、卡内基梅隆大学、斯坦福大学和加州大学圣地亚哥分校)

• 与GPT-4性能相匹配的LLaMA微调版本， 130亿参数
• 通过在ShareGPT收集用户共享对话对LLaMA进行微调而来，在超过90%的情况下，实现了与Bard和ChatGPT相匹配的能力

• 训练流程：

ShareGPT收集70k对话数据

优化Aplaca训练脚本，处理多轮对话和长序列问题

PyTorch FSDP 8个A100 一天训练

质量评估，80个问题，用GPT-4对模型输出进行评价

三者之间汇总对比

Koala (UC伯克利 AI Research Institute（BAIR）)

• 使用网络获取的高质量数据进行训练，可以有效地回答各种用户的查询，比Alpaca更受欢迎，至少在一半的情况下与ChatGPT的效果不相上下
• 得出有效结论：正确的数据可以显著改善规模更小的开源模型
• 研究人员专注于收集一个小型的高质量数据集，包括ChatGPT蒸馏数据、开源数据等

ChatLLaMA (Nebuly)

• 一个可以使用自己的数据和尽可能少的计算量，来创建个性化的类似ChatGPT的对话助手
• 库的目的是通过抽象计算优化和收集大量数据所需的工作，让开发人员高枕无忧
• ChatLLaMA旨在帮助开发人员处理各种用例，所有用例都与RLHF训练和优化推理有关。以下是一些用例参考：
  • 为垂直特定任务（法律、医疗、游戏、学术研究等）创建类似ChatGPT的个性化助手；
  • 想在本地硬件基础设施上使用有限的数据，训练一个高效的类似ChatGPT的助手；
  • 想创建自己的个性化版本类ChatGPT助手，同时避免成本失控；
  • 想了解哪种模型架构（LLaMA、OPT、GPTJ等）最符合我在硬件、计算预算和性能方面的要求；
  • 想让助理与我的个人/公司价值观、文化、品牌和宣言保持一致。

Chinese-ChatLLaMA（ydli-ai）

• 中文对话模型ChatLLaMA、中文基础模型LLaMA-zh。
  -ChatLLaMA 支持简繁体中文、英文、日文等多语言。
• LLaMA 在预训练阶段主要使用英文，为了将其语言能力迁移到中文上，首先进行中文增量预训练，
• 使用的语料包括中英平行语料、中文维基、社区互动、新闻数据、科学文献等。再通过 Alpaca 指令微调得到 Chinese-ChatLLaMA。
• 项目特点
  • 通过 Full-tuning （全参数训练）获得中文模型权重，提供 TencentPretrain 与 HuggingFace 版本
  • 模型细节公开可复现，提供数据准备、模型训练和模型评估完整流程代码
  • 提供目前最大的中文 LLaMA 模型
  • 多种量化方案，支持 CUDA 和边缘设备部署推理

FreedomGPT (Age of AI)

• 建立在Alpaca之上，回答问题没有偏见或偏袒，并且会毫不犹豫第回答有争议或争论性的话题
• 克服了审查限制，在没有任何保障的情况下迎合有争议性的话题。标志是自由女神像，象征自由。

ColossalChat (UC伯克利)

• 基于LLaMA模型，只需不到100亿个参数就能达到中英文双语能力，效果与ChatGPT和GPT3.5相当。
• 复刻了完整的RLHF过程，是目前最接近ChatGPT原始技术路线的开源项目
• 使用了InstrutionWild中英双语训练数据集，其中包含大约100,000个中英文问答对。
  • 该数据集是从社交媒体平台上的真实问题场景中收集和清理的，作为种子数据集，使用self-instruct进行扩展，标注成本约为900美元。
  • 与其他self-instruct方法生成的数据集相比，该数据集包含更真实和多样化的种子数据，涵盖更广泛的主题。该数据集适用于微调和RLHF训练。
  • 在提供优质数据的情况下，ColossalChat可以实现更好的对话交互，同时也支持中文。
• 完整的RLHF管线，共有三个阶段：
  1. RLHF-Stage1: 使用上述双语数据集进行监督指令微调模型
  2. RLHF-Stage2: 通过对同一提示的不同输出手动排序来训练奖励模型，分配相应的分数，然后监督奖励模型的训练
  3. RLHF-Stage3: 使用强化学习算法，这是训练过程中最复杂的部分。

Baize （加州大学圣迭戈分校、中山大学和微软亚研）

• 包括四种英文模型（白泽-7B、13B、30B）和一个垂直领域的白泽医疗模型，计划未来发布中文的白泽模型。

• 值得注意的是，该方法的数据处理、训练模型、Demo等全部代码均已开源，真是良心，由衷点赞。

• 作者提出一种自动收集ChatGPT对话的流水线，通过从特定数据集中采样[种子]的方式，让ChatGPT自我对话，批量生成高质量多轮对话数据集。如果使用特定领域数据集，比如医学问答数据集，就可以生成高质量垂直领域语料。

  

gpt4all（Nomic AI）

• 基于GPT-3.5-Turbo的800k条数据进行训练，包括文字问题、故事描述、多轮对话和代码。
• 该方案提供了完整的技术报告，包括收集数据、整理数据、训练代码和模型权重。

Huatuo-Llama-Med-Chinese（哈工大）

---

ChatYuan-large-v2 （元语智能）

• 这个模型的商业气息较浓一些。不过，这也是无奈之举。
• ChatYuan-large-v2是一个支持中英双语的功能型对话语言大模型。ChatYuan-large-v2使用了和 v1版本相同的技术方案，在微调数据、人类反馈强化学习、思维链等方面进行了优化。
• ChatYuan-large-v2是ChatYuan系列中以轻量化实现高质量效果的模型之一，用户可以在消费级显卡、 PC甚至手机上进行推理（INT4 最低只需 400M ）。

Firefly（yangjianxin1）

• Firefly（流萤） 是一个开源的中文对话式大语言模型，基于BLOOM模型，使用指令微调（Instruction Tuning）在中文数据集上进行调优。同时使用了词表裁剪、ZeRO、张量并行等技术，有效降低显存消耗和提高训练效率。 在训练中，使用了更小的模型参数量，以及更少的计算资源。构造了许多与中华文化相关的数据，以提升模型这方面的表现，如对联、作诗、文言文翻译、散文、金庸小说等。
• 因为该项目首先采用LLMPrunner对原始BLOOM模型进行此表裁剪，所以效果有限，优势在于小，缺点也在这里。

BELLE （链家）

• 本项目重点关注在开源预训练大语言模型的基础上，如何得到一个尽可能效果好的具有指令表现能力的语言模型，降低大家研究此方面工作的门槛，重点在于中文大语言模型。

• 针对中文做了优化，模型调优仅使用了由ChatGPT生产的数据（不包含任何其他数据）

• 调优BLOOMZ-7B1-mt模型，开放了四个不同大小规模的指令学习数据集训练模型

  Datasize	200,000	600,000	1,000,000	2,000,000
  Finetuned Model	BELLE-7B-0.2M	BELLE-7B-0.6M	BELLE-7B-1M	BELLE-7B-2M

• 基于Meta LLaMA实现调优的模型：BELLE-LLaMA-7B-0.6M-enc
  , BELLE-LLaMA-7B-2M-enc
  , BELLE-LLaMA-7B-2M-gptq-enc
  , BELLE-LLaMA-13B-2M-enc。请参考Meta LLaMA的License

• 值得说明的是，该项目开源了一批由ChatGPT生成的中文数据集，具体如下：
  • 1.5M中文数据集：包含不同指令类型、不同领域的子集。
  • 10M中文数据集，包括25w条中文数学题数据、80w条用户与助手对话数据、40w条给定角色的多轮对话数据、200w条多样化指令任务数据。
• ⚠️ 数据集开源协议均为GPL3.0，使用请注意。

ChatGLM-6B （清华）

GLM-130B（清华）

后ChatGLM梳理

ChatGLM

langchain-ChatGLM

ChatGLM-Med

langchain-ChatGLM （imClumsyPanda）

• 该项目是基于本地知识的ChatGLM应用实现。基于本地文档类知识来增强ChatGLM的回答。这应该是最能落地的项目了。

• 整体流程如下图：

  

Med-ChatGLM（哈工大）

Dolly 2.0 （databricks）

IDPChat （白海）

• 中文多模态模型，基于预训练大模型LLaMA和开源文生图预训练模型Stable Diffusion为基础，快速构建而来。
• 开发者可以根据场景需求，便捷地对其进行微调优化。

参考资料

• 开发者笑疯了！ LLaMa惊天泄露引爆ChatGPT平替狂潮，开源LLM领域变天
• 训练ChatGPT的必备资源：语料、模型和代码库完全指南
• 用ChatGPT训练羊驼：「白泽」开源，轻松构建专属模型，可在线试玩
  
• 笔记本就能运行的ChatGPT平替来了，附完整版技术报告
• 世界首款真开源类ChatGPT大模型Dolly 2.0，可随意修改商用
• 中文多模态模型问世！IDPChat生成图像文字，只需5步+单GPU