Llama 3 大模型技术报告详解
1. 引言
现代人工智能（AI）系统由基础模型驱动。本文介绍了一套新的基础模型，称为 Llama 3。它是一群本地支持多语言、编码、推理和工具使用的语言模型。我们最大的模型是一个具有 4050 亿参数和高达 128K 令牌上下文窗口的密集 Transformer。本文对 Llama 3 进行了广泛的实证评估。我们发现 Llama 3 在众多任务上提供了与 GPT-4 等领先语言模型相当的质量。我们公开发布了 Llama 3，包括 4050 亿参数语言模型的预训练和后训练版本，以及我们的 Llama Guard 3 模型，用于输入和输出安全。本文还介绍了我们通过组合方法将图像、视频和语音能力集成到 Llama 3 中的实验结果。我们观察到这种方法在图像、视频和语音识别任务上与最先进的技术竞争。生成的模型尚未广泛发布，因为它们仍在开发中。
1.1 基础模型概述
基础模型是为语言、视觉、语音和/或其他模态设计的通用模型，旨在支持大量 AI 任务。它们构成了许多现代 AI 系统的基础。
现代基础模型的发展包括两个主要阶段：
- 预训练阶段：在这个阶段，模型使用简单的任务（如下一个词预测或字幕生成）进行大规模训练。
- 后训练阶段：在这个阶段，模型被调整以遵循指令、与人类偏好对齐，并提高特定能力（例如，编码和推理）。
在本文中，我们介绍了一套新的语言基础模型，称为 Llama 3。Llama 3 模型群原生的支持多语言、编码、推理和工具使用。我们最大的模型是一个具有 4050 亿参数的密集 Transformer，能够在高达 128K 令牌的上下文中处理信息。表 1 列出了每个模型成员。本文中呈现的所有结果都是针对 Llama 3.1 模型的，为了简洁，我们将在全文中称之为 Llama 3。
2. 核心开发杠杆
我们相信，在开发高质量的基础模型方面有三个关键的杠杆：数据、规模和管理复杂性。我们在开发过程中寻求优化这三个杠杆：
2.1 数据策略
与 Llama 的早期版本（Touvron 等人，2023a，b）相比，我们改进了用于预训练和后训练的数据量和质量。这些改进包括开发更谨慎的预训练数据处理和策划流程，以及为后训练数据开发更严格的质量保证和过滤方法。我们对 Llama 3 进行了大约 15T 多语言令牌的预训练，而 Llama 2 是 1.8T 令牌。这一巨大的数据量提升显著增强了模型的知识广度和深度，使其能够理解更多样化的语言结构和领域知识。
2.2 模型规模
我们训练的模型规模远远大于以前的 Llama 模型：我们的旗舰语言模型使用了 3.8×10^25 次浮点运算进行预训练，比 Llama 2 的最大版本多近 50 倍。具体来说，我们在 15.6T 文本令牌上预训练了一个具有 4050 亿可训练参数的旗舰模型。根据基础模型的规模法则，我们的旗舰模型的表现超过了使用相同过程训练的较小模型。虽然我们的规模法则表明，我们的旗舰模型对于我们的训练预算来说是近似计算最优的大小，我们还训练了更小的模型，比计算最优的时间长得多。产生的模型在相同的推理预算下比计算最优模型表现更好。我们使用旗舰模型在后训练期间进一步提高这些较小模型的质量。
2.3 管理复杂性
我们做出设计选择，力求最大化我们扩展模型开发过程的能力。例如，我们选择标准的密集 Transformer 模型架构（Vaswani 等人，2017）进行小幅度调整，而不是选择专家混合模型（Shazeer 等人，2017）以最大化训练稳定性。同样，我们采用了相对简单的后训练程序，基于监督微调（SFT）、拒绝采样（RS）和直接偏好优化（DPO；Rafailov 等人（2023）），而不是更复杂的强化学习算法（Ouyang 等人，2022；Schulman 等人，2017），这些算法往往不太稳定，更难扩展。
3. 模型规格与评估
我们的工作成果是 Llama 3：一个包含 8B、70B 和 405B 参数的三种多语言的语言模型的群体。我们在涵盖广泛语言理解任务的众多基准数据集上评估了 Llama 3 的性能。此外，我们进行了广泛的人类评估，将 Llama 3 与竞争模型进行了比较。表 2 展示了旗舰 Llama 3 模型在关键基准测试中的表现概览。我们的实验评估表明，我们的旗舰模型在各种任务上的表现与 GPT-4（OpenAI，2023a）等领先的语言模型相当，并且接近于达到最先进的水平。我们的较小模型是同类中最好的，超过了参数数量相似的替代模型（Bai 等人，2023；Jiang 等人，2023）。Llama 3 还在有益性和无害性之间提供了比其前身（Touvron 等人，2023b）更好的平衡。我们在第 5.4 节中对 Llama 3 的安全性进行了详细分析。
3.1 上下文窗口优势
Llama 3 支持高达 128K 令牌的上下文窗口。这一特性使得模型能够处理极长的文档、代码库或多轮对话历史，而无需频繁截断或丢失关键信息。这对于需要长程依赖理解的复杂任务（如法律合同分析、长篇代码重构）尤为重要。
3.2 分词器优化
为了支持多语言和高效处理，Llama 3 采用了经过优化的分词器。这减少了处理非英语文本时的 token 数量，提高了推理速度，并降低了计算成本。同时，分词器的改进也增强了对罕见词汇和代码符号的处理能力。
