通义千问Qwen 2大模型的预训练和后训练范式解析

2024-09-05 15:12

本文主要是介绍通义千问Qwen 2大模型的预训练和后训练范式解析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

LLMs,也就是大型语言模型,现在已经发展得挺厉害的。记得最开始的时候,我们只有GPT这样的模型,但现在,我们有了一些更复杂的、开放权重的模型。以前,训练这些模型的时候,我们主要就是做预训练,但现在不一样了,我们还会加上后训练这个阶段。

图片

咱们今天就以通义千问Qwen 2这个模型为例,来好好分析一下Qwen 2的预训练和后训练都是怎么搞的。它在大型语言模型界里算是挺能打的。不过,虽然它很强,但可能因为一些原因,它还没有像国外Meta AI、Microsoft和Google的那些模型那么火。

Qwen 2模型基本情况

Qwen 2有五种不同的规格,就像手机有不同内存大小一样。它有四个常规的模型,参数量分别是5亿、15亿、70亿和720亿。参数就像是模型的大脑细胞,参数越多,模型能处理的信息就越多。除了这些,还有一个专家混合模型,这个模型有57亿参数,其中有14亿是同时工作的。

Qwen 2的一个亮点是它在30种语言上都表现得很好,这就像是个多语言的天才。它还有一个特别大的词汇表,有151,642个标记(tokens)。这比很多其他模型的词汇表都要大,比如Llama 2有32k个标记,Llama 3.1有128k个标记。词汇表越大,模型处理信息的时候就越灵活,尤其是在处理多种语言的时候。

再来看看Qwen 2和其他一些模型在MMLU基准测试上的分数。MMLU是个多项选择题的测试,虽然它有局限性,但大家还是挺喜欢用它来衡量模型的表现的。咱们稍后会详细看看这些分数。

图片

最新开放权重模型的MMLU基准测试分数(较高的值更好)

Qwen 2的预训练过程

Qwen 2团队在7万亿个训练标记上训练了15亿、70亿和720亿参数的模型。这个训练量听起来是不是挺吓人的?对比一下,Llama 2模型只用了2万亿个标记(tokens)来训练,而Llama 3.1模型则用了15万亿个标记。

但是,Qwen 2的5亿参数模型训练得更狠,用了12万亿个标记。研究人员没在更大的数据集上训练其他模型,因为他们发现这样训练效果提升不大,而且计算成本太高,不划算。

在预训练的时候,他们特别注重提高数据质量,比如过滤掉那些质量不高的数据,还有增加数据的多样性。这都是为了确保模型能学到更多有用的东西。

他们还用了一种挺聪明的方法,就是用Qwen模型自己生成一些预训练数据。这样可以让模型更好地理解上下文,以及如何根据指令来做出反应。

训练过程是分两个阶段的。先是常规的预训练,然后是长上下文训练。长上下文训练是在预训练快结束的时候进行的,用的是高质量的、长的数据。这个过程可以把模型处理上下文的能力从4,096个标记提高到32,768个标记,这就像是让模型的记忆力变得更强了。

图片

Qwen 2预训练技术,“持续预训练”指的是两阶段预训练,研究人员从常规预训练开始,然后进行了长上下文持续预训练

Qwen 2的后训练过程

Qwen 2团队用了一种流行的两阶段后训练方法。

第一阶段是监督指令微调(SFT),他们在500,000个示例上进行了2个周期的训练。这个阶段的目标是让模型在特定场景下给出更准确的回答。

图片

 

第二阶段,他们用直接偏好优化(DPO)来让模型更符合人类的偏好。SFT加上DPO的方法因为操作简便,比其他方法(比如带PPO的RLHF)更受欢迎。更多关于DPO的详情,可参见:《LLM 直接偏好优化(DPO)的一些研究》。关于PPO与DPO的对比,可以参见:《大模型对齐:DPO vs PPO》

对齐阶段也分两步走。首先是在现有的数据集上用DPO进行离线训练。然后是在线阶段,模型在训练时生成多个回答,奖励模型在训练过程中实时选择最优的回答。这个过程也叫做“拒绝采样”。

在构建数据集时,他们用了现有的语料库,并且加上了人工标注,来确定SFT的目标回答,以及识别DPO需要的偏好和拒绝回答。研究人员还自己合成了一些人工标注的数据。

此外,团队还用LLM生成了专门针对“高质量文学数据”的问答对,这样就能创建出用于训练的高质量Q&A对。这样可以让模型在处理文学类问题时表现得更好。

图片

Qwen 2后训练技术

现在我们来总结一下,其实Qwen 2这个模型挺有两把刷子的。它和之前的Qwen模型一样,在2023年12月的NeurIPS LLM效率挑战赛上,很多获胜的方法都用了Qwen模型。

说到Qwen 2的训练流程,一个亮点就是他们用合成数据来预训练和后训练。这就像是用模型自己生成的练习题来提高自己的能力。

另外,他们特别注重数据集的质量,而不是一味地追求数据量。这意味着,他们更看重数据的质量而不是数量。在训练模型的时候,他们认为,数据不仅要多,更要精,只有高质量的数据才能帮助模型更好地学习。

所以,Qwen 2的训练团队在这方面做得挺到位的,他们知道怎么用有限的资源来达到最好的效果。这种注重质量的训练方法,值得其他模型训练团队学习。

这篇关于通义千问Qwen 2大模型的预训练和后训练范式解析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1139313

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU