大语言模型经典论文清单：OpenAI、Google 与开源系列

数据：早期数据并没有非常夸张，GPT-1 的主要数据有两个：

BooksCorpus dataset：包括 7000 多本未发表的书籍；

1B Word Benchmark（可选）。

微调：

模型改动：通过增加特殊 token 作为输入的开始 [Start] 和结束 [Extract] 等，以结束 [Extract] 的隐层输出接入全连接层，并进行下游的分类和其他变种任务。如图所示：

• loss：

• 小细节：微调过程中，在下游任务目标基础上，加入预训练目标，效果更好。

结果与讨论

• 主要验证方法：文章主要是通过下游任务的效果进行策略的有效性验证，通过一些经典任务数据集。结论来看，在不少数据集上都还有着不错的效果，以分类为主的数据集为例，如图所示。可以看到，这时的对比项还没有 BERT 的踪影。

GPT-2

论文链接：《Language Models are Unsupervised Multitask Learners》

动机

GPT-1 之后不久，BERT 出现，刷榜各种任务。GPT-1 尝试增加模型大小，但在预训练 + 微调的训练框架下，仍打不过同参数大小的 BERT；但研究还得继续，尝试换个打法，以 Zero-Shot 作为卖点，效果不错。

方案概述

GPT-2 实现 Zero-Shot 的方法在现在看来比较简单：将所有的 NLP 任务统一看作是 p(output|input) 的建模，而如果统使用一个足够容量的模型实现，还要告诉模型需要完成什么任务，这时建模目标可以表达为 p(output|input, task)。

对于统一大模型的选择，网络结构与 GPT-1 相同，使用方式也很自然：task 和 input 均使用自然语言的方式作为输入交给 GPT，模型继续一步步地预测下一个最大可能的 token，直到结束。如翻译任务：模型输入'翻译中文到英文，原文'我爱深度学习''，模型输出'I love deep learning.'。又如阅读理解任务，模型输入'回答问题，内容'xxx'，问题'xxx？''，模型输出问题的答案。

没错，就是早期的 Prompting 方法（其实也不是最早的）。这么做的依据则是考虑到训练数据集里有大量的 Prompt 结构的语料，可以使模型学到遇到类似的提示语后需要生成什么。

一些细节

训练数据：为了支持多任务的 Zero-Shot，需要模型尽可能看更多，尽可能丰富的数据，数据收集的目标也是如此。要点如下：

开源 Common Crawl，全网网页数据，数据集量大，且足够丰富，但存在质量问题，故而没有直接使用；

自建了 WebText 数据集，网页数据，主打一个干净高质量：只保留被人过滤过的网页，但人过滤成本很高，这里的方法是只要 Reddit 平台（类似国内的贴吧，社交分享平台）中被用户分享的站外链接，同时要求帖子至少 3 个 karma（类似点赞？）。可以认为被分享的往往是人们感兴趣的、有用的或者有意思的内容。

WebText 最终包括 4500w 链接，后处理过程：1、提取网页内容后；2、保留 2017 年以后的内容；3、去重；4、启发式的清理，得到 800w+ 的文档，约 40GB；4、剔除维基百科文档，避免与下游测试数据重叠（因为很多测试任务包括了维基百科数据，话说其他数据没有重叠吗？）。

模型：沿用 GPT 结构，但在模型特征输入编码、权重初始化、词典大小、输入长度、batch size 等方面做了一些调整，主要是升级。

结论与讨论

主要结论：

文章尝试了四种大小的模型，其中 117M 对应了 Bert-base（和 GPT-1），345M 对应和 Bert-large 参数量，最大的模型 1542M（15 亿参数）。

模型的选择使用 WebText 的 5% 作为验证数据，实验发现所有大小的模型仍然是欠拟合状态，随着训练时间的增加，在验证集上的效果仍然可以继续提升。

当然，在大多数 Zero-Shot 任务集合上也如愿取得了当时最好的结果：

次要结论：在多数任务上，模型容量和核心指标的关系，可以发现随着模型容量的增加，效果不断变强。15 亿参数看上去没有达到瓶颈，也就是说继续提升模型容量，效果能到什么程度极具想象力。（也就有了后续 GPT-3 的大力出奇迹）

Children's Book Test 任务：

• Winograd Schema Challenge 任务：

• 其他 Zero-Shot 任务

• 语言模型预训练集和验证集的效果（perplexity 困惑度越小越好）

GPT-3

论文链接：《Language Models are Few-Shot Learners》

动机

BERT 出来之后，虽然预训练 + 微调架构取得了惊人的效果（GPT 系列短期比不了了），但这种微调有很多限制：

微调需要更多的领域数据，标注成本高，一些特殊任务更是难上加难（如纠错、写作、问答等）。

微调在小数据量下表现好，很可能只是过拟合。很多任务说是超过人类，实际上是夸大了实际表现（模型并不是根据知识和推理去做任务，并不智能）。

以人类的学习习惯对比，在人类有了足够的知识后（预训练），并不需要再看大量的监督数据才能做任务（对应微调），而只需要看少量样例即可。

文章认为，虽然微调现在效果确实打不过，但追求不微调仍然是值得的。方法嘛，延续 GPT-2 最后的结论，更大的模型、更多的数据、prompt 更多的信息（In-Context learning）。

方案简述

主要与 GPT-2 相比：

沿用 GPT-2 的模型和训练方法，将模型大小升级到 175B（1750 亿的参数量 vs 15 亿），这个 175B 的模型叫 GPT-3；

不同于 BERT/GPT-1 模型使用下游任务微调进行效果验证，也不同于 GPT-2 仅仅使用 Zero-Shot 进行验证，GPT-3 主要验证其 In-Context learning 的能力（可能认为是不微调，不梯度更新的方式，看通过 prompt 和几个例子作为输入，来完成具体任务的能力）。

GPT-3 也不是不能微调，以后会做一些工作来看看微调的表现（这里说的也就是后面的 Codex、InstructGPT 和 ChatGPT 等工作了）。

一些细节

• 模型训练方式：前面提到了，相对 GPT-2 没有创新，就是更大模型、更多更丰富的数据、更长的训练时间，不止于 Zero-Shot，还做 One-Shot 和 Few-Shot 任务（这里的 x-Shot 是不微调模型的，也就是所谓的 In-Context learning，而在预训练阶段没有特殊操作），如图。

• 模型：沿用了 GPT-2 的结构，在模型初始化、归一化、Tokenization 做了一些优化，另外也'抄'了一些类似 Sparse Transformer 的优点（总之是加了一些同期一些被验证有效的操作，或自己验证有效的小操作）。为了验证模型容量带来的效果，文章训练了多种大小的模型，最大的 175B 的叫 GPT-3。为了训练大模型，还做了一些模型并行和提效的工作（其实这部分也比较重要，但是没有展开说）。模型大小参数，以及同期一些工作的训练资源开销对比如图：

训练数据准备：

文章发现，模型增大之后，引入一些脏数据的负向影响没这么大了。因此，相比于 GPT-2，GPT-3 开始使用 Common Crawl 数据集了，但是做了一些清洗工作：1、保留与高质量数据集类似的内容（使用一些相似或判别的方法）；2、去重；

最后把清洗后的 Common Crawl 数据和已有的高质量数据集合并在一起，得到训练数据集，并进行不同权重的采样使用：

模型训练过程：

大模型可以使用更大的 batch size，但是需要小一点的 Learning rate；根据梯度的噪音尺度，动态调整 batch size；为了防止大模型 OOM，使用了全方位的模型并行，微软提供了硬件和软件的支持。

结论与讨论

主要结论：整体效果不错，在各种数据集上做了对比，NLU 相关任务，GPT-3 表现不错（个别数据集还超过了有监督微调的方式）；在 QA、翻译、推理等任务上还欠点火候，距离监督微调模型差距明显；生成任务基本可以做到人难分辨。如，几个主要的任务：

SuperGLUE：理解任务为主

• Winogrande：推理任务为主

• TriviaQA：阅读理解任务为主

次要结论：

从主要结论曲线，可以明显发现，few-shot 比 zero-shot 效果好，模型越大越好（废话），而且 175B 好像也没到极限，模型更大效果可能还会继续上升。

另一个数据显示，模型越大，loss 下降空间越大，当前版本最大的模型，仍然没有收敛（黄色曲线）；另一个不乐观的趋势是随着 Loss 的逐步降低，算力的 ROI（投入产出比）也在逐渐降低。

• 因为模型生成效果真假难辨，文章也着重讨论了模型的偏见、不道德以及不当用途的问题，因此也决定不开源（OpenAI 走上 CloseAI 之路）！

Codex

论文链接：《Evaluating Large Language Models Trained on Code》

动机

GPT-3 论文里提到，GPT 可以微调但放在未来搞，Codex 就是微调工作之一。任务是 GPT 模型在代码生成方向做微调的探索，算是一个应用方向的论文。

方案简述

具体地，Codex 是利用代码注释生成代码。训练数据从 github 上获取，主要为 python 语言。为了验证模型效果，Codex 做了一个新的数据集（164 个原始代码问题，可以认为一些经典的 leetcode 题、面试题），通过单元测试的方式验证生成代码的正确性。

最终 Codex 可以取得 28% 的测试通过率（GPT-3 只能解决 0%）；如果允许重复采样生成多个结果，选择 100 个，可以达到 70% 的通过率（想想自己能通过多少）。经过一些 rerank 策略，通过率直逼 80%。

一些细节

• 验证集准备：因为之前没有现成的评测代码生成的验证集，文章自己设计了一个 HumanEval。并使用 pass@k 作为评测指标（生成 k 个结果中有一个能通过就算通过，然后算通过率）。考虑生成代码的安全性不可控，需要使用一个 sandbox 环境运行（崩了也没事）。HumanEval 的样例数据如下，包括代码注释和标准答案：

训练数据：截止到 2020 年 5 月，涉及 540 万的 Github 仓库，包括 179GB 的 Python 文件，文件大小小于 1MB。做了一些过滤，主要过滤项是自动生成的代码、平均行长度大于 100、最大行长度大于 1000、包含一定比例数字等。最后数据集大小 159GB。

模型：考虑生成任务，利用 GPT 系列的预训练模型应该会有好处，选择了 13B 的 GPT 模型作为主模型，进行微调。值得一提的是，利用预训练的 GPT 微调并不优于使用代码数据从头训练（应该是因为数据量已经足够大了），但是使用微调收敛更快。模型细节：

参数配置和 GPT-3 差不多；基于代码数据特点，做了特别的 tokenizer，最终少了 30% 的 token；sample 数据时使用特别的停止符（'\nclass'、'\ndef'等），保证 sample 代码的完整性；

结论与讨论

主要结论：

不同的参数调整，和采样数量，显著影响生成代码的通过率。

• 如果只选一个答案，使用一些模型输出指标，如最大 mean log-probability，可以比随机选择效果更好；用借助先验知识的单元测试进行代码选择，可以取得理论上的最好效果（Oracle）。

• 次要结论：因为效果还可以，趋势上看模型更大看上去效果还会提升，文章最后讨论了一下对于机器会写代码的担忧（自我优化最可怕）；另外代码中也不出意外的有歧视、道德的偏见。（这个大概源自代码里也有人口吐芬芳，代码命名带 Fxxk，有人的地方就有偏见）。

InstructGPT

论文链接：《Training language models to follow instructions with human feedback》

动机

GPT 的另一种微调探索，使用用户指令和偏好答案来微调 GPT 模型，让模型生成的内容更符合用户的意图，更真实、更有用（Alignment，对齐过程）。这么做的出发点是面向一种经典的应用场景，用户给一条指令声明意图，期望模型生成有用、无害的内容，但使用大量网页数据训练的大语言模型 GPT 无法直接满足这种诉求，因此需要微调。

方案简述

指令微调的过程分为三步（RLHF，Reinforcement Learning from Human Feedback），如下图：

1、准备一批 prompt（来源标注人员手写、OpenAI API 请求）；对于这批 prompt，标注人员手写期望的答案，用这份 prompt+answer 数据微调 GPT-3 生成模型，这里叫做 supervised policy；

2、使用微调后的模型，根据更多的 prompt 生成答案（一次 prompt 多次采样生成个答案），这时外包只要标注生成内容的相对顺序即可；用这份标注数据训练一个 reward 模型（RM 模型），输入 prompt 和 answer，模型输出一个打分（这里同样是使用 GPT 模型）。

3、采样更多的 prompt，使用强化学习的方式，继续训练生成模型，强化学习的 reward 使用第 2 步的模型打分。

第 2 和 3 步是一个持续迭代的过程，即，第 3 步训练出的更好的生成模型（policy）可以用来收集更多具有相对顺序标签的数据，这些数据则用来训练新的 RM 模型（即步骤 2），继而再训练新的生成模型（对应步骤 3）。大多数的相对顺序标注数据来自于步骤 1，一部分来自于步骤 2 和 3 的迭代。

此外这篇文章并不是第一个使用该方法的工作，前面还有一篇《Learning to summarize from human feedback》，使用类似三步方法做摘要任务。同样是 OpenAI 的工作，体现了工作的持续性，而非一蹴而就，灵感也不是说有就有。

一些细节

数据收集过程

冷启动阶段：通过部分人工标注的 prompt+answer 数据，监督训练得到的早期版本 InstructGPT；丰富阶段：部署试用版本在线服务，收集更多更丰富的真实用户 prompt。本工作并未使用线上正式环境的服务用户数据，试用版本的数据将用于数据标注和模型训练，也提前告知了用户；

收集到的 prompt 根据最长公共前缀做了去重；

每个用户最多 200 条 prompt，避免模型迎合个别用户偏好；训练集、验证集和测试集，不包括相同用户（强调用户维度的泛化能力）；

过滤 prompt 中与个人身份相关的信息，同样是避免模型学到用户特征；

早期版本 InstructGPT 的训练数据是由外包手写的 prompt 和答案，冷启 prompt 包括 3 类：1、任意常见任务问题，追求任务的丰富性；2、同一类 prompt 写多个 query 和答案；3、模仿真实用户的 prompt 请求；

经过上面的操作，得到三类数据：1、SFT dataset，训练集 13k prompts (来自于 API 和标注人员手写)，用来训练 SFT 模型；2、RM 数据集，训练集 33k prompts (来自于 API 和标注人员手写)，人工标注生成模型输出答案的排序，用来训练 RM 模型；3、PPO 数据集，31k prompts（仅来自于 API），不需要人工标注，用来做 RLHF fine-tuning。

prompt 特点：

真实用户的 prompt 指令类型分布和样例如图，96% 的是英文，但结果发现对其他语言也有泛化能力。

数据标注细节（也很关键，值得参考）：

一个外包标注团队，由 40 个承包商组成，应该是为了提升标注多样性，防止模型对标注员风格敏感；

对标注人员进行了测试（考试，性格测试），筛选目标是留下那些队不同群体敏感（宗教、性取向、种族等）、能识别潜在有害内容的标注人员；

要求标注人员能够准确判断用户意图，对于模糊意图进行跳过；考虑隐含意图，对于一些潜在、诱导性的脏话、偏见、虚假信息能够识别；

训练和验证阶段的意图对齐（alignment）有些许冲突：训练阶段强调生成内容的有用性（helpfulness），验证阶段则关注内容的真实性（truthfulness）和是否有害（harmlessness）；

标注过程，算法开发和标注人员紧密沟通，为了做到这点，对外包标注人员做了一个入职流程（可能要交社保=_=）；

为了测试模型对标注人员的泛化能力，留了一部分测试用的标注人员（held-out labelers，真工具人，严谨了），这些标注人员产出的数据不用于训练，而且这些人员没有经过性格测试；

尽管标注任务难度大，但标注人员的标注一致性还可以，训练标注人员标注一致性 72.6 ± 1.5%，测试标注人员一致性 77.3 ± 1.3%。

模型实现：同训练过程，包括三部分

Supervised fine-tuning (SFT)：使用标注人员标注的数据，有监督的微调 GPT 模型，训了 16 个 epoch，学习率 cosine decay。模型的选择使用验证集上的 RM 模型 score（鸡生蛋蛋生鸡）。值得一提的是，这里 SFT 模型在验证集上 1 个 epoch 后就 overfit 了，但是继续更多的 epoch 有利于 RM score 和人的偏好。

Reward modeling (RM)：

模型：同样是 SFT GPT 模型结构，不过是另外训练了一个 6B 的（175B 不稳定，不适合下面的 RL 训练），输入是 prompt 和生成的内容，pooling 后接一个全连接（也许有）输出一个 scalar reward 分。

Loss 函数表示为：

K 为是一个 prompt 模型生成的答案数，标注人员对 K 个模型进行排序；K 为 4-9，标 9 个和 4 个成本差不多；

需要一个 bias 对 reward 进行归一，使其均值为 0，方便下游 RL 使用（这里的 bias 可以是 reword 均值，也是 RL 的常规操作）；

Reinforcement learning (RL)，两个实验模型：

'PPO'模型：直接使用经典的 PPO 算法，一种 offline 的 RL 算法，目标是最大化模型反馈的 reward，同时兼顾 online 模型和 offline 模型的 KL 散度（这里 offline 模型是 SFT 模型，online 模型是要优化的目标模型，online 模型参数会定期同步到 offline 模型。如果不熟悉 RL 可以简单了解其目标即可）；模型输出的 reward，由 RM 打分得到；

'PPO-ptx'模型：PPO+ 预训练目标（加这个目标，被验证可以兼顾公开 NLP 任务的效果），最终的优化目标，最大化：

验证方法：评价模型两方面的能力，1、生成的答案人是不是喜欢；2、经典的 NLP 任务解决的怎么样。

在 API 请求的 prompt 验证效果：

真实分布下采样 prompt 做测试集；

175B 的 SFT GPT-3 模型作为 Baseline；

标注人员对各个模型生成的内容打出 1-7 分的喜欢/认可度；

认可度的依据是 helpful、honest 和 harmless，每个维度又有很多细则。

在开源的 NLP 数据集，包括两类：

评测安全性、真实性、有害和偏见的数据集；

经典 NLP 任务数据集熵 zero-shot 的结果，如阅读理解、问答、摘要等。

结论与讨论

主要结论：

对于通过 API 获得的测试集 prompt，RLHF 显出好于 baseline：

• 对比友商模型，也不错：

次要结论（InstructGPT 生成内容的白话评价）：

标注人员普遍认为 InstructGPT 生成的内容比 GPT-3 强很多；

InstructGPT 模型生成的内容比 GPT-3 事实性更强（出现事实性错误比较少）；

InstructGPT 生成的内容在有害性优于 GPT-3，但在偏见方面并没有强很多；

在 RLHF 微调过程中，由于'对齐税'的原因，在开源 NLP 任务表现变差了，但 RLHF 基础上增加语言模型的预训练目标，可以得到兼顾（PPO-ptx）。

InstructGPT 模型在'held-out'标注人员上也表现出了不错的泛化性；

公开 NLP 数据集任务上的表现，并不是 InstructGPT 追求的（ChatGPT 才是）；

InstructGPT 模型在 RLHF finetuning 数据集分布外的 prompt 同样具有很好的泛化能力；

InstructGPT 生成的内容仍然会出现一些简单的错误；

ChatGPT

论文没有，官方博客：《https://openai.com/blog/chatgpt》

OpenAI 没有开放 ChatGPT 的细节，只有两段大致方法描述，摘要一下包括：

和 InstructGPT 的方法大致相同，只是在数据收集上略有不同。ChatGPT 使用的对话形式的数据，即多轮 prompt 和上下文，InstructGPT 的数据集也转换成对话格式合并一起使用。

训练 RM 模型，使用多个模型生成的结果，随机选择模型生成的内容让标注人员根据内容质量排序，然后借助 RM 模型进行后续的 PPO 微调训练。同样，这也是一个反复迭代的过程。

更多的细节无了，不过从 OpenAI 友商 Anthropic（创始人也来自 OpenAI）的一篇论文能看到更多细节。以 OpenAI 工作的持续性看，从公司跳槽出去的人，应该也是延续了相关的工作。

读 Anthropic 之前，插一段 OpenAI 的系列工作总结，存个档。读了上面的论文，对于这张表的内容应该能够大致理解（参考）：

可能确实如一些大佬所说，ChatGPT 没有创新，只是一堆策略的叠加，凑出了一个强大的模型；也有人说 ChatGPT 更多的是工程和算法的结合。不管怎么样，方法是真 work。

Anthropic 的 Claude

参考论文链接：《Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback》

ChatGPT 出来不久，Anthropic 很快推出了 Claude，媒体口径下是 ChatGPT 最有力的竞争者。能这么快的跟进，大概率是同期工作（甚至更早，相关工作论文要早几个月）。Anthropic 是 OpenAI 员工离职创业公司，据说是与 OpenAI 理念不一分道扬镳（也许是不开放、社会责任感？）。

一些内测结论：Claude 相比 ChatGPT 更能避免潜在 harmful 的问题，在代码生成略为逊色，通用 Prompt 不分伯仲。从效果上，可能 ChatGPT 功能性更强，而 Claude 更为'无害'（或者说，对社会的潜在负面影响更小），这点从参考论文的标题也有所体现。

动机

引入偏好模型和 RLHF（人类反馈强化学习）微调大语言模型（可能因为脱离 OpenAI，不提 GPT-3 了），得到一个 helpful 和 harmless 的个人助理（类似 ChatGPT）；这种对齐（Alignment）微调，使预训练的语言模型在几乎所有的 NLP 任务中效果提升显著，并且可以完成特定的任务技能，如 coding、摘要和翻译等。

方案简述

其实思路和 InstructGPT 差不多，三阶段的 RLHF。不同点在于，1、进行了迭代式的在线模型训练：模型和 RL 策略每周使用新的人工反馈数据更新，不断迭代数据和模型；2、使用对话格式的数据数据；3、更为关注模型的 helpful 和 harmless。

除了模型和策略设计之外，文章重点讨论了 RLHF 的稳定性问题；也对模型校准、目标冲突、OOD（out of distribution）识别等问题做了分析。

目标冲突是指 helpful 和 harmless 的目标冲突，因为如果模型对所有问题都回答'不知道'，虽然 harmless，但是完全不 helpful。

一些细节

对话偏好数据集：

收集了一批 helpfulness and harmlessness 的对话数据集，数据的标注是标注人员和各种 52B 语言模型在对话标注页面交互完成。标注页面如图；

标注人员在交互页面与模型进行开放式对话，或者寻求帮助、或者提出指令、或者引导模型输出有害内容（比如如何成功抢劫）。对于模型输出的多个答案，标注人员需要在每轮对话标注出哪个更有用或哪个更有害；

收集了三份数据，一个来自于初始模型（SFT）、一个来自早期的偏好模型（RM）采样、最后一个来自人工反馈的在线强化学习模型（周更）；

开源了三份数据：https://github.com/anthropics/hh-rlhf

数据收集和模型训练流程（中间涉及的概念需要读往期论文，了解即可）：

LLaMa 与 Alpaca

事情发展到现在，有一个小问题，就是模型越来越大，开源越来越少（其实开源了大多数人也玩不了）。首先 GPT-3 系列模型就很大了，训练和 inference 模型都需要大量的显卡；其次，GPT-3 所用的数据也未公开，有算力复现也稍困难，需要自己去盘数据；在 GPT-3 之后的 ChatGPT 的闭源程度更甚，可能要进一步考虑商业利益。

在这样的背景下，前调模型提效以及开放的工作越来越多，近期比较有影响里的当属 Meta AI 的 Llama 和斯坦福基于 Llama 的 Alpaca。前者类似 GPT 的大语言模型，后者类似 ChatGPT。

LLama

论文：《LLaMA: Open and Efficient Foundation Language Models》

代码：https://github.com/facebookresearch/llama

动机

大语言模型相关的工作中，过去的普遍假设是模型越大效果越好。但近期有些工作表明，给定计算资源的前提下，最佳的效果不是由最大的模型实现，而是由更多的数据下相对小的模型实现。而后者对于 inference 或微调阶段更为友好，是更好的追求。

相应的，本文的工作是训练一批模型，实现了更好的效果，同时预测成本低。取得这种效果的一大手段，就是让模型看到了更多的 token。训练得到的这些模型就是 LLama。

方案简述

LLama 的思想比较简单，在动机里已经大致包括。这项工作的其他特点可以简述为以下几点：

提供了 7B～65B 的模型，13B 的模型效果可超 GPT-3（175B），65B 的模型效果直逼谷歌的 PaLM（540B）；

训练模型只用了开源数据集，trillions of token。

多项任务上 SOTA，并且开源了所有模型权重。

一些细节

• 训练数据集（主要是英文，因此中文和中文微调效果堪忧）

• 模型容量概况

• 模型结构：

和 GPT 一样，同样是 Transformer Decoder 架构，沿用了各种工作被验证有效的小优化（如：Pre-Normalization、SwiGLU 激活函数、Rotary Embedding、AdamW 优化器等）。同时也做了一些训练效率上的优化，包括模型实现上以及模型并行上的优化。

• 训练过程：7B 和 13B 的模型在 1T 的 token 上进行训练；33B 和 65B 的模型则在 1.4T 的 token 上进行了训练。

结论与讨论

LLama 对标 GPT，主要在 Zero-Shot 和 Few-Shot 任务上进行了验证；同时考虑指令微调是现在的流行应用之一，因此也在指令微调任务做了验证。

Zero-Shot

• Few-Shot

• 指令微调（主要和谷歌的 Flan 系列做对比）：

Alpaca

文章：https://crfm.stanford.edu/2023/03/13/alpaca.html

代码：https://github.com/tatsu-lab/stanford_alpaca

动机

前面可以看到，GPT-3.5、ChatGPT、Claude 以及 Bing Chat 等指令微调模型被验证效果拔群，但仍存在生存内容虚假、带偏见和恶意等问题。为了加快这些问题的解决，需要学术届（穷老师、学生、公司）的加入一起研究，但是 GPT-3.5 这些模型大且闭源。

前阵子 LLama 发布，给了希望。所以基于 LLama 做指令微调得到了 Alpaca 模型，效果和 GPT-3.5 差不多，而且简单、复现成本低。

方案简述

穷人搞指令微调，需要两个前提：1、参数量小且效果好的预训练语言模型；2、高质量的指令训练数据。

这两个前提，现在看上去可以方便满足：1、LLama 模型 7B 模型，可以接受；2、通过现有的强语言模型可以自动生产训练数据（准备 prompt，调用 GPT-3.5 系列的 OpenAI api）。

一些细节

• 训练方式：使用指令微调的方式，在 LLama 7B 模型上训练；训练数据规模为 5.2 万，来源是对 OpenAI GPT-3.5 API 的调用（花费 500 美元）；微调过程在 8 张 80G A100s 显卡训练 3 小时（使用云计算服务，花费 100 美元）。训练过程如图。

结论和讨论

目前开放了：测试 Demo、训练数据集、训练数据的生成过程、训练代码；预训练的权重未来开放（可能考虑一些外因）；

Demo: an interactive demo for everyone to try out Alpaca.

Data:52K demonstrationsused to fine-tune Alpaca.

Data generation process: the code forgenerating the data.

Training code: for fine-tuning the model using the Hugging Face API.

未来可能的方向（不包括优化推理能力，也许这些还是要留给有钱人）：

模型验证：更加系统严格的对模型进行评估，会从 HELM (Holistic Evaluation of Language Models) 开始，检验模型的生成和指令对其能力；

模型的安全性：更全面的评估模型的风险性；

理解模型（可解释）：研究模型学到的是什么？基模型的选择有什么学问？增加模型参数带来的是什么？指令数据最关键的是什么？有没有其他的收集数据的方法？

GLM 与 ChatGLM

LLama 虽好，但更多的是使用英文数据集，但在中文上表现不佳。同样指令微调后在中文场景下上限应该也比较低。因此在中文上，有必要有自己的一条研究方向，当前影响力比较高的开源版本属清华的 GLM 和 ChatGLM。

GLM 和 ChatGLM 相关的介绍比较多，下面摘抄部分内容对其进行简单了解。

GLM

论文：

《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》

《GLM-130B: AN OPEN BILINGUAL PRE-TRAINED MODEL》

方案简述

GLM-130B 是在 GPT-3 之后，清华的大语言模型方向的尝试。不同于 BERT、GPT-3 以及 T5 的架构，GLM-130B 是一个包含多目标函数的自回归预训练模型。

一些细节

GLM-130B 在 2022 年 8 月开放，有一些独特的优势：

双语：同时支持中文和英文。

高精度（英文）：在公开的英文自然语言榜单 LAMBADA、MMLU 和 Big-bench-lite 上优于 GPT-3 175B（API: davinci，基座模型）、OPT-175B 和 BLOOM-176B。

高精度（中文）：在 7 个零样本 CLUE 数据集和 5 个零样本 FewCLUE 数据集上明显优于 ERNIE TITAN 3.0 260B 和 YUAN 1.0-245B。

快速推理：首个实现 INT4 量化的千亿模型，支持用一台 4 卡 3090 或 8 卡 2080Ti 服务器进行快速且基本无损推理。

可复现性：所有结果（超过 30 个任务）均可通过我们的开源代码和模型参数复现。

跨平台：支持在国产的海光 DCU、华为昇腾 910 和申威处理器及美国的英伟达芯片上进行训练与推理。

ChatGLM

文章：https://chatglm.cn/blog

代码：https://github.com/THUDM/ChatGLM-6B

方案简介

ChatGLM 参考 ChatGPT 的设计思路，在千亿基座模型 GLM-130B 中注入了代码预训练，通过有监督微调（Supervised Fine-Tuning）等技术实现人类意图对齐。

为与社区一起更好地推动大模型技术的发展，清华同时开源 ChatGLM-6B 模型。ChatGLM-6B 是一个具有 62 亿参数的中英双语语言模型。通过使用与 ChatGLM（http://chatglm.cn）相同的技术，ChatGLM-6B 初具中文问答和对话功能，并支持在单张 2080Ti 上进行推理使用。

一些细节

ChatGLM-6B 有如下特点：

充分的中英双语预训练：ChatGLM-6B 在 1:1 比例的中英语料上训练了 1T 的 token 量，兼具双语能力。

优化的模型架构和大小：吸取 GLM-130B 训练经验，修正了二维 RoPE 位置编码实现，使用传统 FFN 结构。6B（62 亿）的参数大小，也使得研究者和个人开发者自己微调和部署 ChatGLM-6B 成为可能。

较低的部署门槛：FP16 半精度下，ChatGLM-6B 需要至少 13GB 的显存进行推理，结合模型量化技术，这一需求可以进一步降低到 10GB（INT8）和 6GB（INT4），使得 ChatGLM-6B 可以部署在消费级显卡上。

更长的序列长度：相比 GLM-10B（序列长度 1024），ChatGLM-6B 序列长度达 2048，支持更长对话和应用。

人类意图对齐训练：使用了监督微调（Supervised Fine-Tuning）、反馈自助（Feedback Bootstrap）、人类反馈强化学习（Reinforcement Learning from Human Feedback）等方式，使模型初具理解人类指令意图的能力。输出格式为 markdown，方便展示。

因此，ChatGLM-6B 具备了一定条件下较好的对话与问答能力。ChatGLM-6B 也有相当多已知的局限和不足：

模型容量较小：6B 的小容量，决定了其相对较弱的模型记忆和语言能力。在面对许多事实性知识任务时，ChatGLM-6B 可能会生成不正确的信息；她也不擅长逻辑类问题（如数学、编程）的解答。

可能会产生有害说明或有偏见的内容：ChatGLM-6B 只是一个初步与人类意图对齐的语言模型，可能会生成有害、有偏见的内容。

较弱的多轮对话能力：ChatGLM-6B 的上下文理解能力还不够充分，在面对长答案生成，以及多轮对话的场景时，可能会出现上下文丢失和理解错误的情况。

英文能力不足：训练时使用的指示大部分都是中文的，只有一小部分指示是英文的。因此在使用英文指示时，回复的质量可能不如中文指示的回复，甚至与中文指示下的回复矛盾。

易被误导：ChatGLM-6B 的'自我认知'可能存在问题，很容易被误导并产生错误的言论。例如当前版本模型在被误导的情况下，会在自我认知上发生偏差。即使该模型经过了 1 万亿标识符（token）左右的双语预训练，并且进行了指令微调和人类反馈强化学习（RLHF），但是因为模型容量较小，所以在某些指示下可能会产生有误导性的内容。

小结

到这里还是完成了工作量，写完了，谷歌系列的几个工作，还是得单独一篇才能完结。与 OpenAI 的工作类似，谷歌同样产出了对标 GPT-3 和 InstructGPT 之类的模型，也包括了 T5 系列的 Encoder-Decoder 结构的大语言模型，而且并不是简单的 Follow。

另一方面 3、4 月份，广大的开源工作者们也是百花齐放，在类 ChatGPT 的应用方向做出了很多探索工作，包括训练数据、模型、以及训练方法的探索与开源。在训练效率方向上，也出现了 ChatGLM+Lora、LLama+Lora 等进一步降低训练成本的工作。

这部分的内容也将在后面进行总结式的介绍和更新，也期待在这段时间里有更多优秀的工作诞生。对于文章中内容中的不正之处，也欢迎指正交流～。

参考内容：

文章参考了诸多论文、博客以及相关技术介绍，部分内容和插图参考链接如下。

1. https://crfm.stanford.edu/2023/03/13/alpaca.html
2. https://chatglm.cn/blog
3. https://crfm.stanford.edu/2023/03/13/alpaca.html
4. A Survey of Large Language Models