在人工智能领域，大语言模型（LLMs）已成为推动技术进步的关键力量。它们在理解和生成自然语言方面展现出了卓越的能力，从而在问答系统、机器翻译、信息提取等多样化任务中发挥着重要作用。然而，要将这些模型适配到特定的下游任务中，通常需要进行微调（fine-tuning），这是一个资源密集型的过程。高效的微调方法因此成为了研究的热点，旨在减少训练成本，同时保持或提升模型性能。
尽管如此，实现这些方法在不同模型上的应用仍然需要非凡的努力。为了解决这一问题，研究者们开发了各种框架来简化微调流程，提高资源利用率，并通过友好的用户界面降低技术门槛。这些框架的出现，使得更多的研究者和开发者能够利用LLMs，推动了人工智能技术的民主化。
LLAMA FACTORY是一个旨在普及LLMs微调的框架。它通过可扩展的模块统一了多种高效微调方法，使得数百种语言模型能够在资源有限的情况下进行高吞吐量的微调。此外，该框架还简化了常用的训练方法，如生成式预训练、监督式微调、基于人类反馈的强化学习以及直接偏好优化等。用户可以通过命令行或Web界面，以最小或无需编码的方式自定义和微调他们的语言模型。
LLAMA FACTORY的有效性和效率已通过语言建模和文本生成任务得到实证验证。该框架已在GitHub上发布，并获得了超过13,000个星标和1,600个分支。
论文标题:
LLAMAFACTORY: Unified Efficient Fine-Tuning of 100+ Language Models
论文链接:
https://arxiv.org/pdf/2403.13372.pdf
项目链接：
https://github.com/hiyouga/LLaMA-Factory
下图显示了LLAMA FACTORY由三个主要模块组成：模型加载器（Model Loader）、数据工作者（Data Worker）和训练器（Trainer）。
1. 模型加载器：支持100+语言模型的准备工作
LLAMA FACTORY框架的模型加载器是其核心组件之一，负责准备和加载超过100种不同的语言模型。这一模块通过建立模型注册表，精确地为预训练模型附加适配器，识别并处理模型的各个层次。此外，模型加载器还负责模型的初始化、模型补丁、模型量化和适配器附加等关键任务，确保了框架能够灵活地扩展到数百种模型和数据集。
2. 数据工作器：处理和标准化不同任务的数据集
数据工作器是LLAMA FACTORY框架的另一个关键模块，它通过一系列的数据处理流程，包括数据加载、数据对齐、数据合并和数据预处理，来处理和标准化不同任务的数据集。该模块利用数据描述规范（下表）来统一不同格式的数据集，使其能够适应各种任务。例如，对于文本生成模型的训练，数据工作器提供了多种聊天模板，这些模板可以根据模型类型自动选择，并通过分析器编码句子。
3. 训练器：整合多种高效微调方法
训练器是LLAMA FACTORY框架的第三个核心模块，它整合了多种高效的微调方法，如LoRA+和GaLore，通过替换默认组件来适应不同的任务和数据集。这些训练方法与训练器相互独立，易于应用于各种任务。训练器还支持分布式训练，可以与DeepSpeed等工具结合使用，进一步降低内存消耗。
高效的LLM微调技术可以分为两个主要类别：一类专注于优化，另一类旨在计算。
1. 高效优化技术：减少参数调整成本
高效优化技术的主要目标是在保持成本最低的同时调整LLMs的参数。LLAMA FACTORY框架中包含的高效优化技术（下表）有freeze-tuning（冻结大部分参数，仅微调少量解码器层的参数）、GaLore（将梯度投影到低维空间，以内存高效的方式进行全参数学习）、LoRA（冻结所有预训练权重，引入可训练的低秩矩阵）以及DoRA（将预训练权重分解为幅度和方向组件，仅对方向组件应用LoRA）等。
2. 高效计算技术：降低计算所需的时间或空间
高效计算技术旨在减少LLMs所需的计算时间或空间。LLAMA FACTORY框架整合了一系列高效计算技术（上表），如混合精度训练、激活检查点、flash attention（一种硬件友好的注意力计算方法）、S2 attention（解决块稀疏注意力中上下文扩展的挑战）以及各种量化策略（使用低精度表示权重以减少内存要求）。此外，Unsloth技术通过Triton实现LoRA的反向传播，减少了梯度下降过程中的浮点运算，加速了LoRA训练。
在当今大数据时代，高效地调整和优化LLMs对于实现其在下游任务中的最佳性能至关重要。LLAMA FACTORY框架应运而生，为广大研究者和开发者提供了一个统一、高效的LLM微调平台。以下是LLAMA FACTORY的一些核心工具和特性：
1. 加速推理：提供高吞吐量的并发推理服务
LLAMA FACTORY通过集成先进的计算技术，如混合精度训练、激活检查点以及特定的注意力机制优化（例如Flash Attention和S2 Attention），显著提高了模型的推理速度。这些技术共同作用，使得在进行大规模模型推理时，能够以更低的内存占用和更高的吞吐量执行，从而加速了模型的部署和应用。
2. 综合评估：包含多种评估LLMs的指标
为了全面评估微调后模型的性能，LLAMA FACTORY集成了一系列评估指标，包括多项选择任务的评估（如MMLU、CMMLU和C-Eval）以及文本相似度评分（如BLEU-4和ROUGE）。这些综合评估工具不仅支持自动评估模型的性能，还能通过人工评估提供更加深入的洞察，帮助用户从多个维度理解模型的优势和局限。
为了降低LLM微调的门槛，LLAMA FACTORY提供了LLAMABOARD，一个基于Gradio构建的用户友好界面，使得用户无需编写任何代码即可轻松地进行模型的配置、训练和评估（下图）。
1. 易于配置：无需编码即可自定义微调参数
通过LLAMABOARD，用户可以通过简单的图形界面来配置微调参数，如学习率、批次大小等。该界面为用户提供了默认的参数值推荐，同时也允许用户根据自己的需求进行自定义，极大地简化了模型微调的配置过程。
2. 可监控训练：实时可视化训练日志和损失曲线
在模型训练过程中，LLAMABOARD实时更新并可视化训练日志和损失曲线，使用户能够实时监控训练进度和模型性能。这一特性为用户提供了及时调整训练策略的依据，有助于提高模型微调的效率和效果。
3. 灵活评估：支持自动和人工评估模型性能
LLAMABOARD支持在数据集上自动计算文本相似度分数来评估模型性能，同时也提供了与模型交互的界面，允许用户通过与模型的对话来进行人工评估。这种灵活的评估方式使用户能够从不同角度全面了解模型的性能，为进一步优化模型提供了宝贵的反馈。
通过这些实用的工具和特性，LLAMA FACTORY为广大研究者和开发者提供了一个高效、便捷的平台，以促进LLMs在各种应用场景中的发展和应用。
1. 训练效率的实验设置和结果分析
在LLAMA FACTORY框架的训练效率实验中，研究者们选择了PubMed数据集作为训练材料，该数据集包含超过3600万条生物医学文献记录。从这些文献的摘要中提取了约40万个token作为训练样本。实验涉及了多种不同的高效微调方法，包括全参数微调（Full-tuning）、冻结微调（Freeze-tuning）、GaLore、LoRA以及4位QLoRA。实验中，研究者们使用了Gemma-2B、Llama2-7B和Llama2-13B模型，并通过计算在训练样本上的困惑度（Perplexity, PPL）来评估不同方法的效率。
实验结果显示（下表，粗体字是最佳结果），QLoRA在内存占用上一致表现最佳，这得益于其在低精度下表示预训练权重。而LoRA则在吞吐量上表现更优，这是由于使用了Unsloth对LoRA层进行的优化。在大型模型上，GaLore在降低PPL方面表现更好，而在较小的模型上，LoRA则具有优势。这些结果凸显了高效微调方法在适应特定任务时的有效性。
2. 在下游任务上的微调效果评估
为了评估不同高效微调方法的任务适应性，研究者们在多个下游任务上进行了实验。这些任务包括CNN/DM、XSum和AdGen，分别代表了文本摘要和广告文案生成等文本生成任务。实验中选取了多个指令调优模型，并采用序列到序列的任务进行微调。比较了全参数微调（FT）、GaLore、LoRA和4位QLoRA的效果，并在每个任务的测试集上计算了ROUGE得分。
实验结果表明（下表，粗体字是最佳结果），除了Llama2-7B和ChatGLM3-6B模型在CNN/DM和AdGen数据集上，LoRA和QLoRA在大多数情况下都取得了最佳性能。这表明这些高效微调方法在特定任务上具有良好的适应性。此外，Mistral-7B模型在英文数据集上表现更好，而Qwen1.5-7B模型在中文数据集上得分更高，这表明微调后模型的性能也与其在特定语言上的固有能力有关。
LLAMA FACTORY框架通过模块化设计，最小化了模型、数据集和训练方法之间的依赖性，并提供了一个集成化的方法，可以使用多种高效微调技术对超过100种语言模型进行微调。此外，该框架还提供了一个灵活的Web UI LLAMABOARD，使用户能够在无需编码的情况下自定义微调和评估语言模型。通过在语言建模和文本生成任务上的实证验证，证明了框架的效率和有效性。
未来，研究者们计划持续将LLAMA FACTORY与最新的模型和高效微调技术保持同步，并欢迎开源社区的贡献。在未来的版本中，研究者们将探索更先进的并行训练策略和多模态高效微调语言模型。
联系客服
