為了開發(fā)高性能中文基礎模型，填補中文基礎模型百億到千億級預訓練參數(shù)的空白，大數(shù)據(jù)系統(tǒng)計算技術國家工程實驗室團隊在人工智能項目伶荔（Linly）框架下，推出了伶荔說系列中文語言大模型，目前包含中文基礎模型和對話模型。

其中，中文基礎模型以 LLaMA 為底座，利用中文和中英平行增量預訓練，將它在英文上強大語言能力遷移到中文上。更進一步，匯總了目前公開的多語言指令數(shù)據(jù)，對中文模型進行了大規(guī)模指令跟隨訓練，實現(xiàn)了 Linly-ChatFlow 對話模型。

根據(jù)介紹，相比已有的中文開源模型，伶荔模型具有以下優(yōu)勢：

在 32*A100 GPU 上訓練了不同量級和功能的中文模型，對模型充分訓練并提供強大的 baseline。據(jù)知，33B 的 Linly-Chinese-LLAMA 是目前最大的中文 LLaMA 模型。

公開所有訓練數(shù)據(jù)、代碼、參數(shù)細節(jié)以及實驗結果，確保項目的可復現(xiàn)性，用戶可以選擇合適的資源直接用于自己的流程中。

項目具有高兼容性和易用性，提供可用于 CUDA 和 CPU 的量化推理框架，并支持 Huggingface 格式。

目前公開可用的模型有：

Linly-Chinese-LLaMA：中文基礎模型，基于 LLaMA 在高質量中文語料上增量訓練強化中文語言能力，現(xiàn)已開放 7B、13B 和 33B 量級，65B 正在訓練中。

Linly-ChatFlow：中文對話模型，在 400 萬指令數(shù)據(jù)集合上對中文基礎模型指令精調，現(xiàn)已開放 7B、13B 對話模型。

Linly-ChatFlow-int4 ：ChatFlow 4-bit 量化版本，用于在 CPU 上部署模型推理。

進行中的項目：

Linly-Chinese-BLOOM：基于 BLOOM 中文增量訓練的中文基礎模型，包含 7B 和 175B 模型量級，可用于商業(yè)場景。

項目特點

Linly 項目具有以下特點：

1. 大規(guī)模中文增量訓練，利用翻譯數(shù)據(jù)提速中文模型收斂

在訓練數(shù)據(jù)方面，項目盡可能全面的收集了各類中文語料和指令數(shù)據(jù)。無監(jiān)督訓練使用了上億條高質量的公開中文數(shù)據(jù)，包括新聞、百科、文學、科學文獻等類型。和通常的無監(jiān)督預訓練不同，項目在訓練初期加入了大量中英文平行語料，幫助模型將英文能力快速遷移到中文上。

在指令精調階段，項目匯總了開源社區(qū)的指令數(shù)據(jù)資源，包括多輪對話、多語言指令、GPT4/ChatGPT 問答、思維鏈數(shù)據(jù)等等，經(jīng)過篩選后使用 500 萬條數(shù)據(jù)進行指令精調得到 Linly-ChatFlow 模型。訓練使用的數(shù)據(jù)集也在項目里提供。

訓練流程如圖所示：

2. 全參數(shù)訓練，覆蓋多個模型量級

目前基于 LLaMA 的中文模型通常使用 LoRA 方法進行訓練，LoRA 凍結預訓練的模型參數(shù)，通過往模型中加入額外的網(wǎng)絡層，并只訓練這些新增的網(wǎng)絡層參數(shù)，來實現(xiàn)快速適配。雖然 LoRA 能夠提升訓練速度且降低設備要求，但性能上限低于全參數(shù)訓練。為了使模型獲得盡可能強的中文語言能力，該項目對所有參數(shù)量級都采用全參數(shù)訓練，開銷大約是 LoRA 的 3-5 倍。

伶荔語言模型利用 TencentPretrain 多模態(tài)預訓練框架，集成 DeepSpeed ZeRO3 以 FP16 流水線并行訓練。目前已開放 7B、13B、33B 模型權重，65B 模型正在訓練中。模型仍在持續(xù)迭代，將定期更新，損失收斂情況如圖所示：

3. 可支持本地 CPU int4 推理、消費級 GPU 推理

大模型通常具有數(shù)百億參數(shù)量，提高了使用門檻。為了讓更多用戶使用 Linly-ChatFlow 模型，開發(fā)團隊在項目中集成了高可用模型量化推理方案，支持 int4 量化 CPU 推理可以在手機或者筆記本電腦上使用，int8 量化使用 CUDA 加速可以在消費級 GPU 推理 13B 模型。此外，項目中還集成了微服務部署，用戶能夠一鍵將模型部署成服務，方便二次開發(fā)。

未來工作

據(jù)透露，伶荔說系列模型目前仍處于欠擬合，正在持續(xù)訓練中，未來 33B 和 65B 的版本或將帶來更驚艷的性能。在另一方面，項目團隊不僅公開了對話模型，還公開了中文基礎模型和相應的訓練代碼與數(shù)據(jù)集，向社區(qū)提供了一套可復現(xiàn)的對話模型方案，目前也有團隊基于其工作實現(xiàn)了金融、醫(yī)學等領域的垂直領域對話模型。

在之后的工作，項目團隊將繼續(xù)對伶荔說系列模型進行改進，包括嘗試人類反饋的強化學習（RLHF）、適用于中文的字詞結合 tokenizer、更高效的 GPU int3/int4 量化推理方法等等。伶荔項目還將針對虛擬人、醫(yī)療以及智能體場景陸續(xù)推出伶荔系列大模型。

審核編輯 ：李倩