【大模型】开源大模型汇总以及微调策略_桐原因的博客

相关文章推荐

气势凌人的开水瓶 · 快穿之扑倒男神(h) - 百度· 1 月前 ·

玩篮球的佛珠 · 产品经理常用原型设计工具详细介绍 | ...· 2 月前 ·

强健的小马驹 · 甘肃发布高考改革实施方案 ...· 1 年前 ·

冷静的柑橘 · 天津大学研究生招生网· 1 年前 ·

发呆的爆米花 · 【P5销量】_小鹏汽车P5汽车销量排行榜-搜狐汽车· 1 年前 ·

前言
LLaMA
Falcon
- OpenBuddy-Falcon
ChatGLM && VisualGLM
MOSS
Aquila
PandaGPT
TigerBot
模型微调策略
- LoRA
- QLORA
- P-tuningv2
自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，为大家梳理一下当前开源模型的工作。

LLaMA

GitHub地址：
https://github.com/facebookresearch/llama
LLaMA是由meta2023年推出的大模型，包含了7B、13B、30B、65B，随着“被开源”成为了开源模型的主力，高校/开源社区纷纷推出基于LLaMA二次训练的模型。

stanford Alpaca

GitHub地址：
https://github.com/tatsu-lab/stanford_alpaca
stanford大学利用ChatGPT API花费不到500美元低成本获取指令数据集。

Guanaco

GitHub地址：
https://github.com/Guanaco-Model/Guanaco-Model.github.io
Guanaco是一个基于Meta的LLaMA 7B模型构建的高级指令遵循语言模型。在 Alpaca 模型最初的 52K 数据集的基础上，又合并了 534,530 个条目，涵盖英语、简体中文、繁体中文（台湾）、繁体中文（香港）、日语、德语以及各种语言和语法任务。这些丰富的数据使Guanaco能够在多语言环境中表现出色。

Vicuna

GitHub地址：
https://github.com/lm-sys/FastChat
UC伯克利联手CMU、斯坦福、UCSD和MDZUAI推出的大模型，通过ShareGPT收集的用户共享对话在LLaMA进行微调训练而来，训练成本近300美元。
一般来说，vicuna不能直接获取，需要LLaMA原模型权重和delate权重合并获取，由于LLaMA原权重下载不是很方便，所以我上传了合并后的模型权重。
https://huggingface.co/ls291/vicuna-13b-v1.1

Chinese-LLaMA-Alpaca

GitHub地址：
https://github.com/ymcui/Chinese-LLaMA-Alpaca
该项目开源了中文LLaMA模型和指令精调的Alpaca大模型。这些模型在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。

Chinese-Vicuna

GitHub地址：
https://github.com/Facico/Chinese-Vicuna
鉴于llama,alpaca,guanaco等羊驼模型的研发成功，我们希望基于LLaMA+instruction数据构建一个中文的羊驼模型，并帮助大家能快速学会使用引入自己的数据，并训练出属于自己的小羊驼（Vicuna）

Luotuo-Chinese

GitHub地址：
https://github.com/LC1332/Luotuo-Chinese-LLM
项目命名为骆驼 Luotuo (Camel) 主要是因为，Meta之前的项目LLaMA（驼马）和斯坦福之前的项目alpaca(羊驼)都属于偶蹄目-骆驼科（Artiodactyla-Camelidae）。而且骆驼科只有三个属，再不起这名字就来不及了。
基于各个大模型做的二次衍生开发，开发项目如下：

Falcon

HF地址：
https://huggingface.co/tiiuae
是阿联酋大学推出的，最大的是40B，在AWS上384个GPU上，使用了1万亿的token训练了两个月。

由于是最近开源的模型，二次衍生的模型较少。

OpenBuddy-Falcon

HF地址：
https://huggingface.co/OpenBuddy
详细信息请见：
https://mp.weixin.qq.com/s/VimLdVmZ27t4S8_C0Jlzjg

ChatGLM && VisualGLM

GitHub地址：
https://github.com/THUDM/ChatGLM-6B
是由智源和清华大学联合开发，释放出ChatGLM-6B，目前是较为主流的中文大模型。
VisualGLM是基于ChatGLM-6B+BLIP2模型联合训练得到多模态大模型。

GitHub地址：
https://github.com/OpenLMLab/MOSS
由复旦大学开发，释放了MOSS-16B模型以及8-bit和4-bit量化模型，同时开源了训练数据

Aquila

GitHub地址：
https://github.com/FlagAI-Open/FlagAI/tree/master/examples/Aquila
智源新发布的大模型，模型和权重均开源，同时开源协议可商业化。
Aquila语言大模型在技术上继承了GPT-3、LLaMA等的架构设计优点，替换了一批更高效的底层算子实现、重新设计实现了中英双语的tokenizer，升级了BMTrain并行训练方法，在Aquila的训练过程中实现了比Magtron+DeepSpeed zero-2将近８倍的训练效率。Aquila语言大模型是在中英文高质量语料基础上从０开始训练的，通过数据质量的控制、多种训练的优化方法，实现在更小的数据集、更短的训练时间，获得比其它开源模型更优的性能。

PandaGPT

GitHub地址：
https://github.com/yxuansu/PandaGPT
来自University of Cambridge、 Nara Institute of Science and Technology、Tencent AI Lab的成员开源发布了多模态大模型。该大模型能够接收文本、图像、语音模态，并可进行模态之间转换。

TigerBot

GitHub地址：
https://github.com/TigerResearch/TigerBot
由虎博科技基于BLOOM模型开发的大语言模型，在BLOOM模型架构和算法上做了如下优化：
1. 指令完成监督微调的创新算法以获得更好的可学习型(learnability)，
2. 运用 ensemble 和 probabilistic modeling 的方法实现更可控的事实性(factuality)和创造性(generativeness)，
3. 在并行训练上，我们突破了 deep-speed 等主流框架中若干内存和通信问题，
4. 对中文语言的更不规则的分布，从 tokenizer 到训练算法上做了更适合的算法优化。
模型微调策略

GitHub地址：
https://github.com/huggingface/peft

Lora主要在模型中注入可训练模块，大模型在预训练完收敛之后模型包含许多进行矩阵乘法的稠密层，这些层通常是满秩的，在微调过程中其实改变量是比较小的，在矩阵乘法中表现为低秩的改变，注入可训练层的目的是想下游微调的低秩改变由可训练层来学习，冻结模型其他部分，大大减少模型训练参数。

QLORA

GitHub地址：
https://github.com/artidoro/qlora

QLORA通过冻结的4位量化预训练语言模型向低秩适配器(LoRA)反向传播梯度。

P-tuningv2

GitHub地址：
https://github.com/THUDM/ChatGLM-6B/tree/main/ptuning

p-tuning v2简单来说其实是soft prompt的一种改进，soft prompt是只作用在embedding层中，实际测试下来只作用在embedding层的话交互能力会变弱，而且冻结模型所有参数去学习插入token，改变量偏小使得效果有时候不太稳定，会差于微调。p tuning v2则不只是针对embedding层，而是将连续型token插入每一层，增大改变量和交互性。
自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，回顾一下。注：汇总开源模型。
科幻中有机器人三原则，IBM说不够，要十六原则。最新大模型研究工作中，以十六原则为基础，IBM让AI自己完成对齐流程。全程只需300行（或更少）人类标注数据，就把基础语言模型变成 Chat GPT式的AI助手。更重要的是，整个方法完全开源，也就是说，任何人都能按此方法，低成本把基础语言模型变成类 Chat GPT 模型。以开源羊驼LLaMA为基础模型，IBM训练出Dromedary（单峰骆驼），在TruthfulQA数据集上甚至取得超越GPT-4的成绩。参加这项工作的除了IBM研究院MIT-IBM Watson AI Lab，还有CMU LIT（语言技术研究所），以及马萨诸塞大学阿默斯特分校的研究者。单峰“瘦”骆驼比草泥马大这匹出自IBM和CMU的单峰骆驼，威力如何？先来看几个例子。来自UC伯克利Vicuna的数学测试中，GPT-3和一众开源模型都没有做对，Vicuna虽然给出步骤但得到错误的结果，只有Dromedary步骤结果都对。来自InstructGPT的道德测试中，对于“如何从杂货店偷东西才能不被抓”，一些模型直接选择拒绝回答问题，InsturctGPT和斯坦福Al

大模型指令微调水平在不断地提高，这次微软用上了 GPT-4。我们知道，从谷歌 T5 模型到 OpenAI GPT 系列大模型，大语言模型（LLMs）已经展现出了令人印象深刻的泛化能力，比如上下文学习和思维链推理。同时为了使得 LLMs 遵循自然语言指令和完成真实世界任务，研究人员一直在探索 LLMs 的指令微调方法。实现方式有两种：一是使用人类标注的 prompt 和反馈在广泛任务上微调模型，二是使用通过手动或自动生成指令增强的公共基准和数据集来监督微调。在这些方法中，Self-Instruct 微调是一种简单有效的方法，它从 SOTA 指令微调的教师 LLMs 生成的指令遵循数据中学习，使得 LLMs 与人类意图对齐。事实证明，指令微调已经成为提升 LLMs 零样本和小样本泛化能力的有效手段。最近， Chat GPT 和 GPT-4 的成功为使用指令微调来改进开源 LLMs 提供了巨大的机遇。Meta LLaMA 是一系列开源 LLMs，其性能与 GPT-3 等专有 LLMs 相媲美。为了教 LLaMA 遵循指令，Self-Instruct 因其卓越性能和低成本被快速采用。

QuickCIM是一个很棒的免费开源工具，用于基于数据库表中的模板生成CodeIgniter 模型。生成的模型由Chris Schmitz（https://github.com/ccschmitz/codeIgniter-base-model）扩展了MY_Model。另请查看http://davidburgosonline.com/desarrollo-web/2012/como-automatizar-modelos-codeigniter-my-model/了解更多使用信息。使用CodeIgniter，jQuery和Backbone.js框架以PHP和Javascript编写。

Falcon的机器学习Web API示例使用创建 深度学习 RESTful预测服务的简单示例（在MNIST数据集上训练的简单convnet）。用于负载测试。作为WSGI HTTP Server，作为HTTP代理服务器。运行预测服务 docker build -t falcon-prediction-app . docker run -p 127.0.0.1:8000:8081 falcon-prediction-app 测试预测服务 (echo -n '{"image": "'; base64 src/tests/data/four_test.png; echo '"}') |