700亿参数Llama 2训练加速195%！数据成为其提升效果的关键要素

news2024/9/9 0:38:03

Llama 2是Meta AI正式发布的最新一代开源大模型，达到了2万亿的token。精调Chat模型是在100万人类标注数据上训练。Llama 2在包括推理、编码、精通性和知识测试等许多外部基准测试中都优于其他开源语言模型。

Llama 2开启了全球范围内AI大型模型的共享新篇章。它包括了模型权重和用于预训练和微调的Llama语言模型的起始代码，参数范围从70亿到700亿不等。相比于上一代模型，Llama 2采用了更多的训练数据，并且将context length直接翻倍，达到了4096。此外，Llama 2在人类的评判下与目前主流的模型相比占据上风，其中包括了在上下文长度为4K下的单轮与多轮对话。

Llama 2在预训练设置和模型架构上和一代模型非常相似。

如图所示，Llama系列模型都使用了自回归Transformer架构，即Transformer's decoder-only架构。两代模型之间保持了一致性。这种一致性体现在以下方面：

预归一化（Pre-normalization）：对每个transformer的子层输入都进行归一化处理，使用RMSNorm归一化函数，以确保模型更加稳定和高效地训练。

SwiGLU激活函数：在前馈神经网络（FFN）使用SwiGLU 激活函数，以替换Transformer中的 ReLU 激活函数，从而提高了模型的性能表现。

旋转嵌入编码（Rotary Positional Embeddings，RoPE）：RoPE允许模型同时处理相对位置和绝对位置的信息，从而提高模型的泛化能力。这种技术的使用有助于模型更好地理解和处理序列信息。

数据是模型效果提升的关键，Llama 2不仅是在训练数据量的层面相比上一代Llama 1增加了40%，数据的来源和丰富性也得到了显著的增强。

数据质量对Llama 2模型的影响非常显著。如果使用质量不高的开源对话数据，会导致模型效果不佳。相反，如果使用质量更高的对话数据，模型效果会显著提升。因此，Meta在训练Llama 2模型时，对数据进行了严格的筛选，选择了高质量的对话数据。

此外，不同的数据源会对微调后的结果产生显著影响，这也进一步凸显了数据质量的重要性。为了验证数据质量，Meta认真考察了180条样本，并比较了经过人工审核的模型生成结果和人类自己编写的结果。结果显示，经过人工审核的数据与人类编写的数据相比也是具有竞争力的，这意味着高质量的数据对于训练对话模型至关重要。因此，Meta在训练Llama 2模型时，花费大量精力收集了高质量的人类反馈数据。

通过增加数据量、提高数据质量、增加数据多样性和改进数据标注等措施，可以显著提高模型的效果和性能，使模型达到最佳效果，从而构建更加智能、高效、准确的AI应用。

只有高质量的数据才能使模型学习到正确的语言规则和语法，减少出现偏见和误解的可能性；来自多种来源和背景的数据可以增加模型的泛化能力，使其能够适应不同的场景和语言风格；正确的数据标注对于模型的训练也是非常重要的，因为它可以帮助模型更好地理解输入数据的含义和目标，从而更好地生成输出。

景联文科技拥有丰富的文本数据采集标注项目经验，可为AI大模型提供文本相关数据采集和数据标注服务。自有的数据管理平台，支持自然语言处理：文本清洗、OCR转写、情感分析、词性标注、句子编写、意图匹配、文本判断、文本匹配、文本信息抽取、NLU语句泛化、机器翻译等多类型数据标注。打通数据闭环，可有序进行数据分发、清洗、标注、质检、等环节，交付高质量的训练数据，提高企业AI数据训练效率，加速人工智能相关应用的落地迭代周期。