IT评测·应用市场-qidao123.com

标题: LLaMA：开放且高效的底子语言模型 [打印本页]
作者: 饭宝    时间: 2025-3-14 18:04
标题: LLaMA：开放且高效的底子语言模型
摘要

我们介绍了LLaMA，这是一系列参数规模从70亿到650亿不等的底子语言模型。我们在数万亿的标记上训练我们的模型，并展示了仅使用公开可用的数据集训练出开始进模型的可能性，而无需依赖专有和难以获取的数据集。特殊是，LLaMA-130亿在大多数基准测试中逾越了GPT-3（1750亿），而LLaMA-650亿则与最佳模型Chinchilla-700亿和PaLM-5400亿相媲美。我们将全部模型向研究社区公开。
1 引言

在大量文本语料库上训练的大型语言模型（LLMs）已经展示了它们从文本指令或少量示例中执行新使命的本领（Brown等人，2020）。这些少样本特性起首在模型规模到达肯定大小时出现（Kaplan等人，2020），导致了一系列专注于进一步扩展这些模型的工作（Chowdhery等人，2022；Rae等人，2021）。这些积极基于一个假设，即更多的参数将带来更好的性能。然而，Hoffmann等人（2022）的最新研究表明，在给定的盘算预算下，最佳性能不是由最大的模型实现的，而是由在更多数据上训练的较小模型实现的。
Hoffmann等人（2022）的扩展法则的目标是确定如何为特定的训练盘算预算最佳地扩展数据集和模型规模。然而，这一目标忽略了推理预算，这在规模化服务语言模型时变得至关告急。在这种情况下，给定一个目标性能程度，首选模型不是训练最快的，而是推理最快的，只管训练一个大型模型以到达某个性能程度可能更便宜，但一个训练时间更长的小型模型最终在推理时会更便宜。例如，只管Hoffmann等人（2022）建议在2000亿标记上训练一个100亿模型，但我们发现70亿模型的性能即使在1万亿标记后仍在继续进步。
这项工作的重点是训练一系列语言模型，通过训练比通常使用的更多的标记，在各种推理预算下实现最佳性能。由此产生的模型称为LLaMA，其参数规模从70亿到650亿不等，与现有的最佳LLMs相比具有竞争力。例如，LLaMA-130亿在大多数基准测试中逾越了GPT-3，只管它小了10倍。我们信任这个模型将有助于民主化LLMs的访问和研究，因为它可以在单个GPU上运行。在规模的高端，我们的650亿参数模型也与Chinchilla或PaLM-5400亿等最佳大型语言模型相媲美。
与Chinchilla、PaLM或GPT-3不同，我们仅使用公开可用的数据，使我们的工作与开源兼容，而大多数现有模型依赖于不可公开获取或未记录的数据（例如，“Books – 2TB”或“社交媒体对话”）。存在一些例外，特殊是OPT（Zhang等人，2022）、GPT-NeoX（Black等人，2022）、BLOOM（Scao等人，2022）和GLM（Zeng等人，2022），但没有一个能与PaLM-620亿或Chinchilla相媲美。
在本文的其余部分，我们概述了我们对变压器架构（Vaswani等人，2017）所做的修改，以及我们的训练方法。然后，我们陈诉了我们模型的性能，并与其他LLMs在一组尺度基准测试上进行了比力。末了，我们使用负责任AI社区的一些最新基准测试，揭示了我们的模型中编码的一些偏见和毒性。
2 方法

我们的训练方法与之前工作中形貌的方法相似（Brown等人，2020；Chowdhery等人，2022），并受到Chinchilla扩展法则（Hoffmann等人，2022）的启发。我们使用尺度优化器在大量文本数据上训练大型变压器模型。
2.1 预训练数据

我们的训练数据集是多个泉源的混合体，如表1所示，涵盖了多样化的领域。在大多数情况下，我们重用了用于训练其他LLMs的数据源，但仅限于使用公开可用且与开源兼容的数据。这导致了以下数据混合及其在训练集中所占的百分比：
英语CommonCrawl [67%]。我们使用CCNet管道（Wenzek等人，2020）预处置惩罚了从2017年到2020年的五个CommonCrawl转储。这个过程在行级别去重，使用fastText线性分类器进行语言识别以移除非英语页面，并使用n-gram语言模型过滤低质量内容。此外，我们训练了一个线性模型来分类用作维基百科参考的页面与随机采样的页面，并丢弃未被分类为参考的页面。
C4 [15%]。在探索性实行中，我们观察到使用多样化的预处置惩罚CommonCrawl数据集可以进步性能。因此，我们将公开可用的C4数据集（Raffel等人，2020）纳入我们的数据中。C4的预处置惩罚也包含去重和语言识别步骤：与CCNet的主要区别在于质量过滤，这主要依赖于启发式方法，如标点符号的存在或网页中的单词和句子数量。
Github [4.5%]。我们使用Google BigQuery上可用的公共GitHub数据集。我们只保留了根据Apache、BSD和MIT允许证分发的项目。此外，我们基于行长度或字母数字字符比例的启发式方法过滤了低质量文件，并使用正则表达式删除了样板文件，如头部信息。末了，我们在文件级别对效果数据集进行去重，要求完全匹配。
Wikipedia [4.5%]。我们添加了2022年6月至8月期间的维基百科转储，涵盖20种语言，这些语言使用拉丁或西里尔字母：bg, ca, cs, da, de, en, es, fr, hr, hu, it, nl, pl, pt, ro, ru, sl, sr, sv, uk。我们处置惩罚数据以移除超链接、批评和其他格式化样板。

古腾堡计划与Books3 [4.5%]。我们在训练数据集中包含了两个书籍语料库：古腾堡计划，此中包含公共领域的书籍，以及ThePile（Gao等人，2020）的Books3部分，这是一个用于训练大型语言模型的公开可用数据集。我们在书籍级别进行去重，移除内容重叠超过90%的书籍。
ArXiv [2.5%]。我们处置惩罚arXiv的Latex文件，以将科学数据添加到我们的数据集中。遵照Lewkowycz等人（2022）的方法，我们移除了第一部分之前的全部内容，以及参考文献。我们还从.tex文件中移除了解释，并内联扩展了用户编写的界说和宏，以进步论文之间的一致性。
Stack Exchange [2%]。我们包含了Stack Exchange的转储，这是一个涵盖从盘算机科学到化学等多个领域的高质量问答网站。我们保留了28个最大网站的数据，从文本中移除了HTML标签，并按分数（从高到低）对答案进行了排序。
分词器。我们使用字节对编码（BPE）算法（Sennrich等人，2015）对数据进行分词，使用了SentencePiece（Kudo和Richardson，2018）的实现。值得留意的是，我们将全部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。

总的来说，我们的整个训练数据集在分词后大约包含1.4万亿个标记。对于大多数训练数据，每个标记在训练期间仅使用一次，除了维基百科和书籍领域，我们对这些领域进行了大约两个周期的训练。
2.2 架构

遵照迩来关于大型语言模型的研究，我们的网络基于变压器架构（Vaswani等人，2017）。我们使用了随后提出的各种改进，并在不同的模型中使用，如PaLM。以下是原始架构的主要差别，以及我们找到这些变化的灵感泉源（括号内）：
预归一化 [GPT3]。为了进步训练稳固性，我们对每个变压器子层的输入进行归一化，而不是归一化输出。我们使用了Zhang和Sennrich（2019）引入的RMSNorm归一化函数。
SwiGLU激活函数 [PaLM]。我们将ReLU非线性替换为SwiGLU激活函数，这是Shazeer（2020）引入的，以进步性能。我们使用了                                   2                         /                         3                         ∗                         4                         d                              2/3 * 4d                  2/3∗4d的维度，而不是PaLM中的4d。
旋转嵌入 [GPTNeo]。我们移除了绝对位置嵌入，并在网络的每一层添加了Su等人（2021）引入的旋转位置嵌入（RoPE）。我们不同模型的超参数详细信息见表2。
2.3 优化器

我们的模型使用AdamW优化器（Loshchilov和Hutter，2017）进行训练，具有以下超参数：                                   β                         1                         =                         0.9                         ；                         β                         2                         =                         0.95                              β1 = 0.9；β2 = 0.95                  β1=0.9；β2=0.95。我们使用余弦学习率调度，使得最终学习率等于最大学习率的10%。我们使用0.1的权重衰减和1.0的梯度裁剪。我们使用了2,000个预热步骤，并根据模型的大小调解学习率和批量大小（详情见表2）。

2.4 高效实现

我们进行了多项优化以进步模型的训练速度。起首，我们使用了因果多头留意力机制的高效实现，以减少内存占用和运行时间。该实现可在xformers库中找到，其灵感来自Rabe和Staats（2021），并接纳了Dao等人（2022）的反向流传方法。这是通过不存储留意力权重以及不盘算因语言建模使命的因果性子而被掩码的键/查询分数来实现的。
为了进一步进步训练效率，我们通过查抄点机制减少了反向流传期间必要重新盘算的盘算量。更详细地说，我们保存了盘算本钱较高的激活值，例如线性层的输出。这是通过手动实现变压器层的反向流传函数来实现的，而不是依赖PyTorch的主动求导功能。为了充分使用这一优化，我们必要通过使用模型并行和序列并行来减少模型的内存占用，如Korthikanti等人（2022）所述。此外，我们还尽可能重叠激活值的盘算和GPU之间通过网络进行的通信（由于all_reduce操作）。

在训练一个650亿参数的模型时，我们的代码在2048个80GB内存的A100 GPU上每秒处置惩罚约380个标记/GPU。这意味着在包含1.4万亿标记的数据集上进行训练大约必要21天。
3 主要效果

遵照之前的工作（Brown等人，2020），我们思量了零样本和少样本使命，并在总共20个基准测试中陈诉了效果：

我们将LLaMA与其他底子模型进行了比力，包罗未公开的语言模型GPT-3（Brown等人，2020）、Gopher（Rae等人，2021）、Chinchilla（Hoffmann等人，2022）和PaLM（Chowdhery等人，2022），以及开源的OPT模型（Zhang等人，2022）、GPT-J（Wang和Komatsuzaki，2021）和GPT-Neo（Black等人，2022）。在第4节中，我们还扼要比力了LLaMA与指令调优模型，如OPT-IML（Iyer等人，2022）和Flan-PaLM（Chung等人，2022）。
我们在自由生成使命和多项选择使命上评估了LLaMA。在多项选择使命中，目标是根据提供的上下文从一组给定选项中选择最合适的补全内容。我们选择在给定上下文中具有最高似然的补全内容。我们遵照Gao等人（2021）的方法，使用按补全内容字符数归一化的似然值，但对于某些数据集（如OpenBookQA、BoolQ），我们遵照Brown等人（2020）的方法，基于以“Answer:”为上下文的补全内容似然值进行选择：
                                         P                            (                            completion                            ∣                            context                            )                            /                            P                            (                            completion                            ∣                            “Answer:”                            )                                  P(\text{completion}|\text{context}) / P(\text{completion}|\text{``Answer:''})                     P(completion∣context)/P(completion∣“Answer:”)

3.1 常识推理

我们思量了八个尺度的常识推理基准测试：BoolQ（Clark等人，2019）、PIQA（Bisk等人，2020）、SIQA（Sap等人，2019）、HellaSwag（Zellers等人，2019）、WinoGrande（Sakaguchi等人，2021）、ARC easy和challenge（Clark等人，2018）以及OpenBookQA（Mihaylov等人，2018）。这些数据集包罗完形填空和Winograd风格的使命，以及多项选择题答复。我们在零样本设置下进行评估，这与语言建模社区的做法一致。
在表3中，我们与不同规模的现有模型进行了比力，并陈诉了相应论文中的效果。起首，LLaMA-65B在全部陈诉的基准测试中均优于Chinchilla-70B，除了BoolQ。同样，该模型在除BoolQ和WinoGrande之外的全部使命上都超过了PaLM-540B。LLaMA-13B模型在大多数基准测试中也优于GPT-3，只管其规模小了10倍。
3.2 闭卷问答

我们在两个闭卷问答基准测试上将LLaMA与现有的大型语言模型进行了比力：Natural Questions（Kwiatkowski等人，2019）和TriviaQA（Joshi等人，2017）。对于这两个基准测试，我们陈诉了在闭卷设置下的准确匹配性能，即模型无法访问包含答复题目证据的文档。在表4中，我们陈诉了NaturalQuestions的性能，在表5中，我们陈诉了TriviaQA的性能。在这两个基准测试中，LLaMA-65B在零样本和少样本设置下均到达了开始进的性能。更告急的是，LLaMA-13B在这些基准测试中也与GPT-3和Chinchilla竞争，只管其规模小了5到10倍。该模型在推理期间可以在单个V100 GPU上运行。

3.3 阅读明白

我们在RACE阅读明白基准测试（Lai等人，2017）上评估了我们的模型。该数据集是从为中国中门生设计的英语阅读明白测验中收集的。我们遵照Brown等人（2020）的评估设置，并在表6中陈诉了效果。在这些基准测试中，LLaMA-65B与PaLM-540B竞争，而LLaMA-13B比GPT-3高出几个百分点。

3.4 数学推理

我们在两个数学推理基准测试上评估了我们的模型：MATH（Hendrycks等人，2021）和GSM8k（Cobbe等人，2021）。MATH是一个包含12K个中学和高中数学题目的数据集，题目以LaTeX格式编写。GSM8k是一组中学数学题目。
在表7中，我们与PaLM和Minerva（Lewkowycz等人，2022）进行了比力。Minerva是一系列在从ArXiv和数学网页中提取的38.5B标记上进行微调的PaLM模型，而PaLM和LLaMA均未在数学数据上进行微调。PaLM和Minerva的数据来自Lewkowycz等人（2022），我们比力了是否使用maj1@k的效果。maj1@k体现我们对每个题目生成k个样本并进行多数投票（Wang等人，2022）的评估方法。在GSM8k上，我们观察到LLaMA-65B优于Minerva-62B，只管它未在数学数据上进行微调。
3.5 代码生成

我们评估了我们的模型从天然语言形貌生成代码的本领，使用了两个基准测试：HumanEval（Chen等人，2021）和MBPP（Austin等人，2021）。对于这两项使命，模型会收到几行文字形貌的程序阐明以及一些输入输出示例。在HumanEval中，模型还会收到一个函数签名，提示格式为天然代码，文本形貌和测试用例以文档字符串情势出现。模型必要生成一个符合形貌并通过测试用例的Python程序。
在表8中，我们比力了我们的模型与未在代码上进行微调的现有语言模型（即PaLM和LaMDA（Thoppilan等人，2022））的pass@1分数。PaLM和LLaMA在包含相似数量代码标记的数据集上进行了训练。

如表8所示，在参数数量相似的情况下，LLaMA优于其他通用模型，如LaMDA和PaLM，这些模型并未专门针对代码进行训练或微调。具有130亿参数及以上的LLaMA在HumanEval和MBPP上均优于LaMDA 1370亿。LLaMA 650亿也优于PaLM 620亿，即使PaLM训练时间更长。表中陈诉的pass@1效果是通过温度为0.1的采样得到的，而pass@100和pass@80指标是通过温度为0.8的采样得到的。我们使用与Chen等人（2021）相同的方法来得到pass@k的无偏估计。
通过对特定代码标记进行微调，可以进一步进步代码生成性能。例如，PaLM-Coder（Chowdhery等人，2022）将PaLM在HumanEval上的pass@1分数从26.2%进步到36%。其他专门针对代码训练的模型在这些使命上也优于通用模型（Chen等人，2021；Nijkamp等人，2022；Fried等人，2022）。对代码标记进行微调超出了本文的范围。

3.6 大规模多使命语言明白

Hendrycks等人（2020）引入的大规模多使命语言明白基准测试（MMLU）包含涵盖多个知识领域的选择题，包罗人文、STEM和社会科学。我们在5-shot设置下评估我们的模型，使用基准测试提供的示例，并在表9中陈诉效果。在这个基准测试中，我们观察到LLaMA-65B在平均程度和大多数领域中略低于Chinchilla-70B和PaLM-540B。一个可能的解释是，我们在预训练数据中使用的书籍和学术论文数量有限，即ArXiv、Gutenberg和Books3，总计仅为177GB，而这些模型使用了高达2TB的书籍进行训练。Gopher、Chinchilla和PaLM使用的大量书籍可能也解释了为什么Gopher在这个基准测试上优于GPT-3，而在其他基准测试上体现相称。
3.7 训练期间性能的演变

在训练期间，我们跟踪了模型在几个问答和常识推理基准测试上的性能，并在图2中陈诉了效果。在大多数基准测试中，性能稳步提升，并与模型的训练狐疑度相关（见图1）。例外的是SIQA和WinoGrande。最值得留意的是，在SIQA上，我们观察到性能存在较大颠簸，这可能表明该基准测试不可靠。在WinoGrande上，性能与训练狐疑度的相关性较弱：LLaMA-33B和LLaMA-65B在训练期间体现相似。

4 指令微调

在本节中，我们展示了在指令数据上进行短暂微调可以快速提升MMLU的性能。只管未微调的LLaMA-65B版本已经能够遵照基本指令，但我们观察到，即使是非常少量的微调也能进步MMLU的性能，并进一步增强模型遵照指令的本领。由于这不是本文的重点，我们仅进行了一项实行，遵照Chung等人（2022）的相同协议，训练了一个指令模型LLaMA-I。

在表10中，我们陈诉了指令模型LLaMA-I在MMLU上的效果，并与现有中等规模的指令微调模型进行了比力，即OPT-IML（Iyer等人，2022）和Flan-PaLM系列（Chung等人，2022）。全部陈诉的数据均来自相应的论文。只管这里使用的指令微调方法较为简单，但我们在MMLU上到达了68.9%的准确率。LLaMA-I（65B）在MMLU上优于现有的中等规模指令微调模型，但仍远未到达开始进的程度，即GPT code-davinci-002在MMLU上的77.4%（数据来自Iyer等人，2022）。关于MMLU 57项使命的详细性能细节可以在附录的表16中找到。
5 偏见、毒性和错误信息

大型语言模型已被证实会复制和放大训练数据中存在的偏见（Sheng等人，2019；Kurita等人，2019），并生成有毒或冒犯性内容（Gehman等人，2020）。由于我们的训练数据集中包含大量来自网络的数据，我们认为评估模型生成此类内容的潜伏风险至关告急。
为了相识LLaMA-65B的潜伏危害，我们在不同的基准测试上进行了评估，这些基准测试用于权衡有毒内容生成和刻板印象检测。固然我们选择了一些语言模型社区使用的尺度基准测试来揭示这些模型的一些题目，但这些评估并不足以完全明白与这些模型相关的风险。

5.1 RealToxicityPrompts

语言模型可能生成有毒语言，例如侮辱、仇恨言论或威胁。模型可以生成的有毒内容范围非常广泛，这使得全面评估具有挑衅性。迩来的一些研究（Zhang等人，2022；Hoffmann等人，2022）将RealToxicityPrompts基准测试（Gehman等人，2020）作为权衡模型毒性程度的指标。RealToxicityPrompts包含约10万个提示，模型必要完成这些提示；然后通过向PerspectiveAPI 3发送请求主动评估毒性分数。我们无法控制第三方PerspectiveAPI使用的流程，因此与之前模型的比力较为困难。

对于每个10万个提示，我们使用模型贪心生成内容，并丈量其毒性分数。每个提示的分数范围从0（无毒）到1（有毒）。在表11中，我们陈诉了在RealToxicityPrompts的基本和恭敬提示类别上的平均分数。这些分数与文献中观察到的效果“相称”（例如，Chinchilla的0.087），但这些研究的方法与我们的方法有所不同（在采样策略、提示数量和API时间方面）。我们观察到，毒性随着模型规模的增加而增加，尤其是在恭敬提示类别中。这一征象在之前的研究中也得到了观察（Zhang等人，2022），但Hoffmann等人（2022）的研究是一个明显的例外，他们发现Chinchilla和Gopher之间没有差别，只管它们的规模不同。这可能是因为较大的模型Gopher体现不如Chinchilla，这表明毒性与模型规模之间的关系可能仅实用于同一模型家属内。

5.2 CrowS-Pairs

我们在CrowS-Pairs（Nangia等人，2020）上评估了模型的偏见。该数据集答应权衡9个类别的偏见：性别、宗教、种族/肤色、性取向、年龄、国籍、残疾、外貌和社会经济职位。每个示例由一个刻板印象和一个反刻板印象构成，我们在零样本设置下通过盘算两个句子的狐疑度来权衡模型对刻板印象句子的偏好。因此，较高的分数体现较高的偏见。我们在表12中与GPT-3和OPT-175B进行了比力。
LLaMA在平均程度上略优于这两个模型。我们的模型在宗教类别中体现出较高的偏见（比OPT-175B高10%），其次是年龄和性别。我们预计这些偏见来自CommonCrawl，只管颠末了多次过滤步骤。
5.3 WinoGender

为了进一步研究模型在性别类别上的偏见，我们查看了WinoGender基准测试（Rudinger等人，2018），这是一个共指消解数据集。WinoGender由Winograd模式构成，通过确定模型的共指消解性能是否受代词性别的影响来评估偏见。
更详细地说，每个句子有三个提及：一个“职业”、一个“参与者”和一个“代词”，此中代词与职业或参与者共指。我们提示模型确定共指关系，并根据句子的上下文丈量其是否正确。目标是揭示模型是否捕获到了与职业相关的社会偏见。例如，WinoGender数据集中的一个句子是“护士通知病人，他的轮班将在一小时后结束。”，随后是“他的”指的是。然后我们比力“护士”和“病人”的狐疑度，以使用模型进行共指消解。我们评估了使用3种代词时的性能：“她/她的”、“他/他的”和“他们/某人”（不同的选择对应于代词的语法功能）。
在表13中，我们陈诉了数据集中包含的三种不同代词的共指分数。我们观察到，我们的模型在使用“他们/某人”代词时比使用“她/她的”和“他/他的”代词时体现明显更好。之前的研究中也观察到了类似的征象（Rae等人，2021；Hoffmann等人，2022），这很可能表明存在性别偏见。事实上，在使用“她/她的”和“他/他的”代词时，模型可能使用职业的多数性别来进行共指消解，而不是使用句子的证据。
为了进一步研究这一假设，我们查看了WinoGender数据集中“她/她的”和“他/他的”代词的“陷阱”案例。这些案例对应于代词与职业的多数性别不匹配且职业是正确答案的句子。在表13中，我们观察到我们的模型LLaMA-65B在陷阱示例上犯更多错误，清晰地表明它捕获到了与性别和职业相关的社会偏见。性能下降存在于“她/她的”和“他/他的”代词中，这表明无论性别如何都存在偏见。
5.4 TruthfulQA

TruthfulQA（Lin等人，2021）旨在权衡模型的真实性，即其识别声明是否为真的本领。Lin等人（2021）将“真实”界说为“关于现实世界的字面真理”，而不是仅在信仰体系或传统背景下为真的声明。该基准测试可以评估模型生成错误信息或虚假声明的风险。题目以多样化的风格编写，涵盖38个类别，并且设计为对抗性的。

在表14中，我们陈诉了模型在权衡真实性以及真实性与信息性交集题目上的体现。与GPT-3相比，我们的模型在这两个类别中得分更高，但正确答案的比例仍然较低，这表明我们的模型可能会产生不正确的答案。
6 碳足迹

我们模型的训练消耗了大量能源，导致了二氧化碳的排放。我们遵照该主题的最新文献，并在表15中详细列出了总能耗和由此产生的碳足迹。我们接纳Wu等人（2022）的公式来估计训练模型所需的瓦时（Wh）以及碳排放量（tCO2eq）。对于Wh，我们使用以下公式：
[ \text{Wh} = \text{GPU-h} \times (\text{GPU功耗}) \times \text{PUE} ]
此中，我们将电源使用效率（PUE）设为1.1。碳排放量取决于用于训练网络的数据中央的位置。例如，BLOOM使用的电网排放强度为0.057 kg CO2eq/KWh，导致27 tCO2eq；而OPT使用的电网排放强度为0.231 kg CO2eq/KWh，导致82 tCO2eq。在本研究中，我们感兴趣的是比力这些模型在同一数据中央训练时的碳排放本钱。因此，我们不思量数据中央的位置，而是使用美国国家平均碳排放强度因子0.385 kg CO2eq/KWh。这导致了以下碳排放量的盘算公式：
                                         t                            C                                       O                               2                                      e                            q                            =                            M                            W                            h                            ×                            0.385.                                  \mathrm { t C O _ { 2 } e q = M W h \times 0 . 3 8 5 . }                     tCO2​eq=MWh×0.385.
为了公平比力，我们对OPT和BLOOM应用了相同的公式。对于OPT，我们假设训练必要34天，使用992个A100-80GB GPU（拜见他们的日志4）。末了，我们估计我们使用了2048个A100-80GB GPU，耗时约5个月来开发我们的模型。这意味着，根据我们的假设，开发这些模型的能耗约为2,638兆瓦时（MWh），总碳排放量为1,015吨二氧化碳当量（tCO2eq）。
我们希望发布这些模型能够帮助减少未来的碳排放，因为训练已经完成，而且此中一些模型相对较小，可以在单个GPU上运行。
7 相关工作

语言模型是对单词、标记或字符序列的概率分布（Shannon，1948，1951）。这项使命通常被界说为下一个标记推测，长期以来一直被认为是天然语言处置惩罚中的焦点题目（Bahl等人，1983；Brown等人，1990）。由于图灵（1950）提出通过“模仿游戏”使用语言来权衡机器智能，语言建模被提议作为权衡人工智能希望的基准（Mahoney，1999）。
架构。传统上，语言模型基于n-gram计数统计（Bahl等人，1983），并提出了各种平滑技术来改进对罕见事件的估计（Katz，1987；Kneser和Ney，1995）。在过去的二十年中，神经网络已乐成应用于语言建模使命，从前馈模型（Bengio等人，2000）、循环神经网络（Elman，1990；Mikolov等人，2010）到LSTM（Hochreiter和Schmidhuber，1997；Graves，2013）。迩来，基于自留意力机制的变压器网络带来了告急改进，尤其是在捕获长距离依赖关系方面（Vaswani等人，2017；Radford等人，2018；Dai等人，2019）。

扩展。语言模型的扩展有着悠久的汗青，包罗模型和数据集的规模扩展。Brants等人（2007）展示了使用在2万亿标记上训练的语言模型（生成3000亿n-gram）对机器翻译质量的提升。固然这项工作依赖于一种称为“Stupid Backoff”的简单平滑技术，但Heafield等人（2013）后来展示了如何将Kneser-Ney平滑技术扩展到网络规模的数据。这使得可以在CommonCrawl的9750亿标记上训练一个5-gram模型，生成一个包含5000亿n-gram的模型（Buck等人，2014）。Chelba等人（2013）引入了“十亿词基准”（One Billion Word benchmark），这是一个用于权衡语言模型希望的大规模训练数据集。
在神经语言模型的背景下，Jozefowicz等人（2016）通过将LSTM扩展到10亿参数，在“十亿词基准”上得到了开始进的效果。随后，扩展变压器模型在许多天然语言处置惩罚使命上取得了改进。著名的模型包罗BERT（Devlin等人，2018）、GPT-2（Radford等人，2019）、Megatron-LM（Shoeybi等人，2019）和T5（Raffel等人，2020）。GPT-3（Brown等人，2020）的推出是一个重大突破，这是一个拥有1750亿参数的模型。这引发了一系列大型语言模型的研究，例如Jurassic-1（Lieber等人，2021）、Megatron-Turing NLG（Smith等人，2022）、Gopher（Rae等人，2021）、Chinchilla（Hoffmann等人，2022）、PaLM（Chowdhery等人，2022）、OPT（Zhang等人，2022）和GLM（Zeng等人，2022）。Hestness等人（2017）和Rosenfeld等人（2019）研究了扩展对深度学习模型性能的影响，揭示了模型和数据集规模与体系性能之间的幂律关系。Kaplan等人（2020）推导了基于变压器的语言模型的幂律关系，随后Hoffmann等人（2022）通过调解学习率调度进一步优化了这一关系。末了，Wei等人（2022）研究了扩展对大型语言模型本领的影响。
8 结论

在本文中，我们介绍了一系列公开发布的语言模型，这些模型与开始进的底子模型具有竞争力。最值得留意的是，LLaMA-13B在比GPT-3小10倍以上的情况下体现优于GPT-3，而LLaMA-65B与Chinchilla-70B和PaLM-540B竞争。与之前的研究不同，我们展示了仅通过使用公开可用的数据进行训练，无需依赖专有数据集，也可以实现开始进的性能。我们希望将这些模型发布给研究社区，能够加速大型语言模型的发展，并帮助改进其鲁棒性，缓解已知题目，如毒性和偏见。此外，我们与Chung等人（2022）一样观察到，对这些模型进行指令微调会带来有希望的效果，我们计划在未来的工作中进一步研究这一点。末了，我们计划在未来发布在更大预训练语料库上训练的更大模型，因为我们看到了随着扩展性能的持续提升。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/) Powered by Discuz! X3.4