盘点！Instruction Tuning 时代的大模型（下）

作者 | Kevin吴嘉文  

整理 | NewBeeNLP 公众号 

Alpaca，ChatGLM 6B 等模型的效果可以接受，下文总结部分笔记，为训练自定义小型化（7B）模型提供点知识储备。

之前我们分享了LaMDA, Muppet, FLAN, T0, FLAN-PLAM, FLAN-T5等，见：盘点！Instruction Tuning 时代的大模型。今天继续，包括模型论文 LLAMA, PaLM, BLOOM, BLOOMZ-mT。

LLAMA

论文： LLaMA: Open and Efficient Foundation Language Models

论文的重点在于预训练，虽然也尝试了使用 instruction tuning 进行模型测试，但介绍部分并不多。

数据：约 1.4 T token 预训练，多语言但就是没有中文；

模型：

• 经典的大模型 Pre-normalization，采用 RMSNorm normalizing。使用 SwiGLU 激活函数，使用 ROPE。
• 模型规模有：7B, 13B, 33B, 65B

训练：

• 预训练：2048 A100 GPU 21 天

结果：

LLAMA 对标 GPT-3, PALM, OPT 等预训练模型。根据论文中各种指标表格，直观上来看，在 0-shot 以及 few-shot 效果上， 13B 的 LLAMA 与 GPT-3 可比，7B 的 LLAMA 不会落后 GPT-3 太多。

PaLM

论文： Scaling Language Modeling with Pathways

论文主要以研究预训练模型为主，但部分 instruction tuning 模型会与 PaLM 作比较，因此记录一些关注点：

模型架构上：

• SwiGLU 激活函数，采用 RoPE，共享 input, output embedding，所有 layer 不用 biases，更改 Transformer Block 中 Layernorm 的并行方式，使用 multi-query attention 取代 multi_head attention（仅将 Q 映射到 [k, h]，K,V 保持 [1, h]）

训练 ：

• 预训练 780 billion tokens
• 针对训练过程中，loss 爆炸的情况，采用回滚的方式：在loss 爆炸点前 100 steps 开始，跳过 200 到 500 个 data batches，这样使得训练更加稳定

结果：总体看来 540 B 的 PaLM 在大部分任务上式新 SOTA

同时 PaLM 62B 的效果与 GPT-3 相近。

Bloom

论文： BLOOM: A 176B-Parameter Open-Access Multilingual Language Model

Bloom 偏向于研究预训练的文章，文章将较大比重放在了多语言能力的实验上，文中的 Bloom 和 BLOOMz 两个模型也都开源。

模型： Vocab size 比 LLAMA 等其他模型大很多。位置编码采用了 ALiBi Positional Embeddings。

数据：预训练：498 个 huggingface 数据集，1.6 TB 文本(涵盖 46 种语言和 13中编程语言)；BLOOMz 在多语言多任务数据集上额外进行了训练。

效果：

superGLUE 的评分图：

文中还有其他评分任务，总体看来， BLOOM 效果好于 OPT。 不同规格的 BLOOM 效果差距还是很大的。

Bloomz/mT0

论文： Crosslingual Generalization through Multitask Finetuning

在 BLOOM 和 mT5 上实验了 Multitask prompted finetuning 的效果。

模型：实验的都是多语言模型，文中使用了 BLOOM 和 mT5

数据：仍然采用公开数据集

prompt finetuning 采用的 prompt 也被分成三种形式进行测试：

结果：

对照上图文中对比了三种模型的结果：BLOOMZ-P3 （prompt数据为 P3 数据），BLOOMZ（prompt数据为 xP3 数据），BLOOMZ-MT（prompt数据为 xP3mt 数据）。

论文中没有找到直接与 GPT 对比的实验，但根据下面的 code 续写成绩来看，BLOOM系列和 GPT 差距应该不小。

SELF-INSTRUCT

论文： Aligning Language Model with Self Generated Instructions

self-instrcut 生成数据流程图

大致数据生成流程：

数据：82k sample，52k instruction

论文中基于 ROUGE-L 进行的结果对比不太公平，毕竟数据集是冲着低 ROUGE-L 去做的。还是参考下图的人工评测结果好点。self-instruct 后 GPT-3 效果能够接近 InstructGPT-001，同时在 self-instruct 数据集上训练的效果会好于在公开数据集上训练的效果：

Alpaca 中稍微修改了 self-instruct 生成数据的方式。一共使用 52K instruction 即 sample 对 LLAMA 进行训练，花费 3 hours on 8 80GB A100s。

BELLE 基于 BLOOMz-mt 进行了中文微调，根据论文实验的结果看来，想要达到 ALPACA 类似的成绩，可能有点悬。

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）