大语言模型(LLM)综述(二)：开发大语言模型的公开可用资源

前言

随着人工智能和机器学习领域的迅速发展，语言模型已经从简单的词袋模型（Bag-of-Words）和N-gram模型演变为更为复杂和强大的神经网络模型。在这一进程中，大型语言模型（LLM）尤为引人注目，它们不仅在自然语言处理（NLP）任务中表现出色，而且在各种跨领域应用中也展示了惊人的潜力。从生成文本和对话系统到更为复杂的任务，如文本摘要、机器翻译和情感分析，LLM正在逐渐改变我们与数字世界的互动方式。

然而，随着模型规模的增加，也出现了一系列挑战和问题，包括但不限于计算复杂性、数据偏见以及模型可解释性。因此，对这些模型进行全面而深入的了解变得至关重要。

本博客旨在提供一个全面的大型语言模型综述，探讨其工作原理、应用范围、优点与局限，以及未来的发展趋势。无论您是该领域的研究者、开发者，还是对人工智能有广泛兴趣的读者，这篇综述都将为您提供宝贵的洞见。

本系列文章内容大部分来自论文《A Survey of Large Language Models》，旨在使读者对大模型系列有一个比较程序化的认识。

论文地址：https://arxiv.org/abs/2303.18223

3. RESOURCES OF LLMS

开发或复制大型语言模型(LLMs)绝非易事，考虑到复杂的技术问题和庞大的计算资源需求。一种可行的方法是从现有的LLMs中学习经验，并重复使用公开可用的资源来进行增量开发或实验研究。在本节中，我们将简要总结用于开发LLMs的公开可用资源，包括模型检查点（或API）、语料库和库文件。

3.1 公开可用的模型CheckPoints或 API

考虑到模型预训练的巨大成本，经过良好训练的模型检查点对于研究界开发LLMs至关重要。由于参数规模是使用LLMs时需要考虑的关键因素，我们将这些公开模型分为两个规模级别（即数百亿参数和数千亿参数），这有助于用户根据其资源预算来确定合适的资源。此外，对于推断任务，我们可以直接使用公开API执行任务，而无需在本地运行模型。接下来，我们将介绍公开可用的模型检查点和API。

100亿(10B)参数级别模型

在这个类别中，大多数模型的参数规模介于10亿到20亿之间，除了LLaMA [57]和LLaMA2 [90]（最大版本包含70亿参数），NLLB [82]（最大版本包含54.5亿参数），以及Falcon [121]（最大版本包含40亿参数）。该范围内的其他模型包括mT5 [74]，PanGu-α [75]，T0 [28]，GPT-NeoX-20B [78]，CodeGen [77]，UL2 [80]，Flan-T5 [64]和mT0 [85]。其中，FlanT5（11B版本）可以作为研究指导调整的首选模型，因为它从三个方面探索了指导调整：增加任务数量，扩大模型规模，以及使用链式思考提示数据进行微调 [64]。此外，CodeGen（11B版本）作为一个用于生成代码的自回归语言模型，可以被认为是探索代码生成能力的良好选择。它还引入了一个新的基准测试MTPB [77]，专门用于多轮程序合成，由115个专家生成的问题组成。为了解决这些问题，需要LLMs获得足够的编程知识（如数学、数组操作和算法）。最近，CodeGen2 [88]已经发布，以探索模型架构、学习算法和数据分布选择对模型的影响。作为另一个专注于编码能力的LLM，StarCoder [89]也取得了出色的成绩。对于多语言任务，mT0（13B版本）可能是一个不错的候选模型，它已经在多语言任务和多语言提示上进行了微调。此外，基于深度学习框架MindSpore [122]开发的PanGu-α [75]在零样本或少样本设置下在中文下游任务中表现良好。请注意，PanGu-α [75]拥有多个版本的模型（最多达到200亿参数），而最大的公开版本有13亿参数。作为一款受欢迎的LLM，LLaMA（65B版本）[57]拥有约五倍于其他模型的参数，在涉及指令遵循的任务中表现出卓越性能。与LLaMA相比，LLaMA2 [90]在人类反馈强化学习（RLHF）方面进行了更多的探索，并开发了一个面向聊天的版本，称为LLaMA-chat，在一系列有用性和安全性基准测试中通常优于现有的开源模型。由于其开放性和有效性，LLaMA引起了研究界的广泛关注，许多工作 [123–126]已经致力于微调或不断预训练其不同的模型版本，以实现新模型或工具的实施。最近，另一款开源LLM Falcon [121]也在开放基准测试中取得了非常出色的表现。它的特点是更加谨慎的数据清理过程，用于准备预训练数据（使用公开共享的数据集RefinedWeb [127]）。通常，在这个规模下进行预训练模型需要数百甚至数千个GPU或TPU。例如，GPT-NeoX-20B使用12台超微服务器，每台配备8个NVIDIA A100-SXM4-40GB GPU，而LLaMA据其原始出版物报道使用了2,048个A100-80G GPU。为了准确估计所需的计算资源，建议使用衡量涉及计算数量的指标，例如FLOPS（即每秒浮点数操作数）[30]。

1000亿(100B)参数级别模型

在这个类别的模型中，只有少数几个模型已经公开发布。例如，OPT [81]，OPT-IML [86]，BLOOM [69]和BLOOMZ [85]的参数数量几乎与GPT-3（175B版本）相同，而GLM [84]和Galactica [35]分别有130B和120B的参数。其中，OPT（175B版本）以及专为开放共享而推出的instruction-tuned版本OPT-IML，旨在使研究人员能够进行可重复研究。对于跨语言通用化研究，由于在多语言语言建模任务中的竞争力，BLOOM（176B版本）和BLOOMZ（176B版本）可以作为基础模型使用。作为一款双语LLM，GLM还提供了一款受欢迎的小型中文聊天模型ChatGLM2-6B（ChatGLM-6B的升级版本），具有在效率和容量方面的许多改进（例如量化、32K长度上下文、快速推理速度）。这个规模的模型通常需要成千上万个GPU或TPU来训练。例如，OPT（175B版本）使用了992个A100-80GB GPU，而GLM（130B版本）使用了一个包含96个NVIDIA DGX-A100（8x40G）GPU节点的集群。

LLaMA模型系列

Meta AI在2023年2月推出了LLaMA模型系列[57]，包括四个规模（7B，13B，30B和65B）。自发布以来，LLaMA引起了研究界和工业界的广泛关注。LLaMA模型在各种开放基准测试中表现出非常出色的性能，成为迄今为止最受欢迎的开放语言模型。许多研究人员通过指导调整或持续预训练来扩展LLaMA模型。特别是，由于相对较低的计算成本，指导调整LLaMA已成为开发定制或专业模型的主要方法之一。为了有效地在非英语语言中适应LLaMA模型，通常需要扩展原始词汇表（主要基于英语语料库训练）或使用目标语言中的指导或数据进行微调。在这些扩展模型中，Stanford Alpaca [128]是第一个基于LLaMA（7B）进行精细调整的开放指导模型。它是通过使用text-davinci-003生成的52K个指导示范来进行训练的。指导数据名为Alpaca-52K，训练代码已广泛用于后续工作，如AlpacaLoRA [130]（使用LoRA [131]复制的Stanford Alpaca），Koala [132]和BELLE [133]。此外，Vicuna [124]是另一种流行的LLaMA变体，是基于来自ShareGPT的用户共享对话进行训练的。由于LLaMA模型系列的出色性能和可用性，许多多模态模型将它们作为基础语言模型，以实现强大的语言理解和生成能力。与其他变体相比，Vicuna在多模态语言模型中更受欢迎，这导致了许多受欢迎模型的出现，包括LLaVA [134]，MiniGPT4 [135]，InstructBLIP [136]和PandaGPT [137]。LLaMA的发布极大推动了LLM研究的进展。为了总结在LLaMA上进行的研究工作，我们在图4中呈现了一个简要的演化图。

图 4：LLaMA 研究工作的演化图。由于数量巨大，我们无法在此图中包含所有 LLaMA 变体，即使是很多优秀的作品。

公开的大语言模型API

与直接使用模型副本相比，API提供了一个更便捷的方式，使普通用户能够使用LLMs，而无需在本地运行模型。作为使用LLMs的代表性接口，GPT系列模型[46, 55, 61, 92]的API已广泛用于学术界和工业界17。OpenAI为GPT-3系列模型提供了七个主要的接口：ada，babbage，curie，davinci（GPT-3系列中最强大的版本），text-ada-001，text-babbage-001和text-curie-001。其中，前四个接口可以在OpenAI的主机服务器上进一步进行微调。特别是，babbage，curie和davinci分别对应于GPT-3（1B），GPT-3（6.7B）和GPT-3（175B）模型[55]。此外，还有两个与Codex [92]相关的API，称为code-cushman-001（Codex（12B）的强大和多语言版本[92]）和code-davinci-002。此外，GPT-3.5系列包括一个基础模型code-davinci-002和三个增强版本，即text-davinci-002，text-davinci-003和gpt-3.5-turbo-0301。值得注意的是，gpt-3.5-turbo-0301是调用ChatGPT的接口。最近，OpenAI还发布了GPT-4的相应API，包括gpt-4，gpt-4-0314，gpt-4-32k和gpt-4-32k-0314。总的来说，API接口的选择取决于具体的应用场景和响应要求。详细的使用说明可以在它们的项目网站上找到。

3.2 常用语料库

相对于早期的PLMs，包含大量参数的LLMs需要更多的训练数据，涵盖了广泛的内容范围。为了满足这个需求，越来越多的可访问的训练数据集已经发布供研究使用。在本节中，我们将简要总结用于训练LLMs的几个广泛使用的语料库。根据它们的内容类型，我们将这些语料库分为六组：书籍、CommonCrawl、Reddit链接、维基百科、代码和其他。

书籍

BookCorpus [138]是以前小规模模型（例如，GPT [109]和GPT-2 [26]）中常用的数据集，包括超过11,000本涵盖广泛主题和类型（例如小说和传记）的书籍。另一个大规模的书籍语料库是Project Gutenberg [139]，包括超过70,000本文学作品，包括小说、散文、诗歌、戏剧、历史、科学、哲学和其他类型的公共领域作品。它目前是最大的开源书籍集合之一，用于MT-NLG [100]和LLaMA [57]的训练。至于GPT-3 [55]中使用的Books1 [55]和Books2 [55]，它们比BookCorpus要大得多，但目前尚未公开发布。

CommonCrawl.

CommonCrawl [148]是最大的开源网络爬取数据库之一，包含PB级别的数据量，已被广泛用作现有LLMs的训练数据。由于整个数据集非常大，现有的研究主要从中提取特定时期的网页子集。然而，由于网络数据中存在大量嘈杂和低质量信息，因此在使用之前需要进行数据预处理。基于CommonCrawl，有四个常用于现有工作的经过筛选的数据集：C4 [73]，CCStories [140]，CC-News [27]和RealNews [141]。巨大的干净爬虫语料库（C4）包括五个变种19，分别是en（806G），en.noclean（6T），realnewslike（36G），webtextlike（17G）和multilingual（38T）。en版本已被用于T5 [73]、LaMDA [63]、Gopher [59]和UL2 [80]的预训练。多语言的C4，也称为mC4，已被用于mT5 [74]。CC-Stories（31G）由CommonCrawl数据的子集组成，其中内容以故事方式呈现。由于CC-Stories的原始来源目前不可用，我们在表2中包含了一个复制版本，即CC-Stories-R [149]。此外，从CommonCrawl中提取的两个新闻语料库，即REALNEWS（120G）和CC-News（76G），也常用作预训练数据。

Reddit链接

Reddit是一个社交媒体平台，允许用户提交链接和文本帖子，其他用户可以通过“赞成”或“反对”来投票。被高度赞成的帖子通常被认为很有用，并可以用来创建高质量的数据集。WebText [26]是一个众所周知的语料库，由Reddit上被高度赞成的链接组成，但它并没有公开发布。作为替代，有一个易于访问的开源替代品，称为OpenWebText [142]。从Reddit中提取的另一个语料库是PushShift.io [143]，这是一个实时更新的数据集，包含了Reddit自创建以来的历史数据。Pushshift不仅提供每月的数据转储，还提供有用的实用工具，支持用户在整个数据集上进行搜索、摘要和初步调查。这使得用户可以轻松地收集和处理Reddit数据。

维基百科

维基百科[144]是一个在线百科全书，包含大量关于各种主题的高质量文章。这些文章大多以解释性的写作风格（附有支持参考文献）编写，涵盖了多种语言和领域。通常，维基百科的仅英语筛选版本在大多数LLMs中被广泛使用（例如，GPT-3 [55]，LaMDA [63]和LLaMA [57]）。维基百科提供多种语言版本，因此可以在多语言环境中使用。

代码

为了收集代码数据，现有的工作主要从互联网上爬取具有开源许可的代码。两个主要来源是开源许可的公共代码存储库（例如GitHub）和与代码相关的问答平台（例如StackOverflow）。Google已经公开发布了BigQuery数据集[145]，其中包含各种编程语言中的大量开源许可的代码片段，作为代表性的代码数据集。CodeGen已经利用了BigQuery数据集的一个子集BIGQUERY [77]，用于训练CodeGen的多语言版本（CodeGen-Multi）。

其他

Pile [146]是一个大规模、多样化且开源的文本数据集，包括来自多个来源的800多GB数据，包括书籍、网站、代码、科学论文和社交媒体平台。它由22个多样化的高质量子集构成。Pile数据集被广泛用于不同参数规模的模型，例如GPT-J（6B）[150]，CodeGen（16B）[77]和Megatron-Turing NLG（530B）[100]。ROOTS [147]由各种较小的数据集组成（共计1.61 TB的文本），涵盖了59种不同的语言（包括自然语言和编程语言），已被用于训练BLOOM [69]。

在实际应用中，通常需要混合不同的数据源来进行LLMs的预训练（见图5），而不是单一的语料库。因此，现有研究通常混合几个现成的数据集（例如C4、OpenWebText和Pile），然后进行进一步的处理以获取预训练语料库。此外，为了训练适用于特定应用的LLMs，从相关来源（例如维基百科和BigQuery）提取数据以丰富预训练数据中的相应信息也非常重要。为了快速查看现有LLMs中使用的数据源，我们展示了三个代表性LLMs的预训练语料库：

• GPT-3 (175B) [55] 在一个混合数据集上进行了训练，包括300B Tokens，其中包括CommonCrawl [148]、WebText2 [55]、Books1 [55]、Books2 [55]和Wikipedia [144]。

• PaLM (540B) [56] 使用了一个预训练数据集，包含780B Tokens，数据源包括社交媒体对话、筛选的网页、书籍、GitHub、多语言维基百科和新闻。

• LLaMA [57] 从各种来源中提取训练数据，包括CommonCrawl、C4 [73]、GitHub、维基百科、书籍、ArXiv和StackExchange。LLaMA (6B) 和 LLaMA (13B) 的训练数据大小为1.0T Token，而LLaMA (32B) 和LLaMA (65B) 使用了1.4T Tokens。

3.3 库资源

在这一部分中，我们简要介绍了一系列用于开发 LLM 的可用库。

• Transformers [151] 是一个由Hugging Face开发和维护的用于构建使用Transformer架构的模型的开源Python库。它具有简单且用户友好的API，使得使用和定制各种预训练模型变得容易。这是一个功能强大的库，拥有庞大而活跃的用户和开发者社区，他们定期更新和改进模型和算法。

• DeepSpeed [65] 是由微软开发的深度学习优化库（与PyTorch兼容），已被用于训练多个LLMs，例如MTNLG [100] 和BLOOM [69]。它提供了各种优化技术的支持，用于分布式训练，如内存优化（ZeRO技术、梯度检查点）和流水线并行。

• Megatron-LM [66–68] 是由NVIDIA开发的用于训练大规模语言模型的深度学习库。它还提供了丰富的分布式训练优化技术，包括模型和数据并行、混合精度训练和FlashAttention。这些优化技术可以极大地提高训练效率和速度，实现了在多个GPU上的高效分布式训练。

• JAX [152] 是由Google开发的用于高性能机器学习算法的Python库，允许用户在具有硬件加速（例如GPU或TPU）的数组上轻松执行计算。它支持在各种设备上进行高效计算，还支持一些特色功能，如自动微分和即时编译。

• Colossal-AI [153] 是由HPC-AI Tech开发的深度学习库，用于训练大规模AI模型。它是基于PyTorch实现的，并支持丰富的并行训练策略。此外，它还可以通过PatrickStar [154]提出的方法优化异构内存管理。最近，基于LLaMA [57]，使用Colossal-AI开发的ColossalChat [126]已经公开发布了两个版本（7B和13B），这是一个类似于ChatGPT的模型。

• BMTrain [155] 是由OpenBMB开发的一个高效的库，用于以分布式方式训练具有大规模参数的模型，强调代码简单性、低资源和高可用性。BMTrain已经将一些常见的LLMs（例如Flan-T5 [64]和GLM [84]）纳入其ModelCenter中，开发人员可以直接使用这些模型。

• FastMoE [156] 是MoE（即专家混合）模型的专用训练库。它是基于PyTorch开发的，在设计中注重效率和用户友好性。FastMoE简化了将Transformer模型转换为MoE模型的过程，并支持在训练过程中的数据并行和模型并行。

除了上述库资源外，现有的深度学习框架（例如，PyTorch [157]、TensorFlow [158]、MXNet [159]、PaddlePaddle [160]、MindSpore [122] 和 OneFlow [161]）也提供了支持用于并行算法，通常用于训练大型模型。