【大模型】LLaMA: Open and Efficient Foundation Language Models

链接：https://arxiv.org/pdf/2302.13971
论文：LLaMA: Open and Efficient Foundation Language Models

Introduction

1. 规模和效果
   7B to 65B，LLaMA-13B 超过 GPT-3 (175B)
2. Motivation
   如何最好地缩放特定训练计算预算的数据集和模型大小，并不是模型参数越大越好，给定一个目标级别的性能，首选模型不是训练最快的而是推理最快的

Approach

1. 预训练数据
   表中数据的混合：
   

• CommonCrawl数据：对数据进行重复数据删除，使用 fastText 线性分类器执行语言识别以删除非英语页面并使用 ngram 语言模型过滤低质量的内容。
• C4：发现使用不同的预处理 CommonCrawl 数据集可以提高性能。对于质量使用启发式方法，比如标点符号和单词句子数量
• Github：根据字母数字字符的线长或比例过滤低质量的文件，并删除带有正则表达式的样板，例如标题；在文件级别对结果数据集进行重复数据删除
• Wikipedia：20种语言，删除超链接、评论和其他格式样板。
• Gutenberg and Books3：两个书籍数据，书籍级别执行重复数据删除，删除内容重叠超过 90% 的书籍。
• ArXiv：科学数据，在第一部分和书目之前删除了所有内容，删除了评论、tex 文件、以及用户编写的内联扩展定义和宏，以增加论文之间的一致性。
• Stack Exchange：涵盖各种领域的高质量问题和答案网站，范围从计算机科学到化学，从 28 个最大的网站保留数据，从文本中删除 HTML 标签并按分数对答案进行排序
• Tokenizer：BPE，将所有数字拆分为单个数字，并回退到字节以分解未知的 UTF-8 字符。共计1.4T tokens。
• 训练集使用：除了 Wikipedia 和 Books 域之外，每个token在训练期间仅使用一次，执行大约两个 epoch。

2. 结构

• Pre-normalization（GPT-3）：提高训练稳定性（后归一化是针对输出，前归一化是在每个sub-layer的输入），RMSNorm「对于 Post-LN 方式，Layer Norm 放置在 Self-Attn sub layer 和 FFN sub layer 的 output 上，实证发现会导致 output 上的梯度过大，训练时不稳定，loss 不能稳定下降；Pre-LN 方式下，梯度值则比较稳定」
  

• SwiGLU activation function（PaLM）
  原始的 Transformer 中 FFN layer 使用 ReLU 激活函数，如下：
  
  对 FFN 的实现方式进行改进，可以提升 Transformer 在语言模型上的表现，主要思路是借鉴 Gated Linear Units (GLU) 的做法，并将 GLU 中的 sigmoid 激活函数更换为 Swish 激活函数。原始 GLU 的形式：
  
  将其中的 sigmoid 激活函数σ更改为Swishβ​ 激活函数 (f(x)=x⋅sigmoid(β⋅x))，则有：
  
  FFN 可使用 SwiGLU 替换为 (此处省略了 Bias 项)：
  

• Rotary Embeddings [GPTNeo]：rotary positional embeddings (RoPE)
  Rope和相对位置编码相比油更好的外推性（外推性是指大模型在训练时和预测时的输入长度不一致，导致模型的泛化能力下降的问题）
  对于 token 序列中的每个词嵌入向量，首先计算其对应的 query 和 key 向量，然后对每个 token 位置都计算对应的旋转位置编码，接着对每个 token 位置的 query 和 key 向量的元素按照 两两一组 应用旋转变换，最后再计算 query 和 key 之间的内积得到 self-attention 的计算结果。
  

3. 优化器
   AdamW，β1 = 0.9, β2 = 0.95，cosine learning rate schedule，weight decay of 0.1 and gradient clipping of 1.0
4. 高效实现

• 使用因果多头注意力的有效实现来减少内存使用和运行时间，xformers library；不存储注意力权重，也不加算被mask的key/query的分数【Causal Multi-Head Attention：由于是解码器，为了保持 Left-to-Right 自回归特点而 Mask 掉的那些位置，不计算 Attention weights.】
• 减少了在后向传递期间重新计算的激活量
• 使用模型和序列并行性来减少模型的内存使用
• 重叠网络上的激活和 GPU 之间的通信（由于 all_reduce 操作）
• 训练 65B 模型，2048个80GB A100 ，380 个token/s/GPU。 1.4T token的数据集训练 21 天

Results

包括zero-shot 和 few-shot 任务，20个benchmark

1. Common Sense Reasoning
   
2. 闭卷问答
   
   
   模型推理可以在单个v100运行
3. 阅读理解
   
4. 数学推理
   Minerva 是一系列 PaLM 模型，在从 ArXiv 和 Math Web Page 中提取的 38.5B 标记上进行微调，而 PaLM 或 LLAMA 都没有在数学数据上进行微调
   
   maj1@k 表示我们为每个问题生成 k 个样本并执行多数投票的评估
5. 代码生成
   
6. 大规模多任务语言理解

预训练数据中使用了有限数量的书籍和学术论文

7. 训练期间性能的演变
   
   

指令微调

非常少量的微调提高了 MLU 的性能，进一步提高了模型遵循指令的能力

偏见、有毒性和错误信息

大型语言模型已被证明可以重现和放大训练数据中存在的偏差

1. RealToxicityPrompts基准
   RealToxicityPrompts 由模型必须完成的大约 100k 个提示组成；然后通过向 PerspectiveAPI 3 请求自动评估毒性分数（分数越高，有毒越多）
   

2. CrowS-Pairs
   该数据集允许测量 9 个类别中的偏见：性别、宗教、种族/颜色、性取向、年龄、国籍、残疾、身体外观和社会经济地位
   
   分数越高Bias越大

3. WinoGender（性别偏见）

4. TruthfulQA
该基准可以评估模型生成错误信息或虚假声明的风险

与 GPT-3 相比，LLaMA在这两个类别中得分都更高，但正确答案的比率仍然很低

总结

贡献点一：“以少胜多”

• LLaMA-13B outperforms GPT-3-175B on most benchmarks, despite being 10× smaller；
• LLaMA-65B is competitive with PaLM-540B;
  贡献点二：open-sourcing
• 训练数据全都 publicly available；
• 参数公开；

Toread：Chinchilla and PaLM