給爆火的Llama 2劃重點，Huggingface機器學習科學家寫了篇分析文章

作者：機器之心 2023-07-22 13:24:36

人工智能新聞

Llama 2 剛剛發(fā)布沒幾天，圍繞它的分析文章就已經(jīng)出來了。

Meta 發(fā)布的免費可商用版本 Llama 2 刷屏整個網(wǎng)絡(luò)。

此前，Llama 1 版本因為開源協(xié)議問題，一直不可免費商用?，F(xiàn)在，隨著 Llama 2 的發(fā)布，這一限制正式被打破。

Llama 2 模型系列包含 70 億、130 億和 700 億三種模型，此外 Meta 還訓練了一個 340 億參數(shù)變體，但并沒有發(fā)布，只在技術(shù)報告中提到了。

發(fā)布之初， Llama -2-70B-Chat 迅速登頂 Hugging Face 的 Open LLM Leaderboard。

圖片

可以說， Llama 2 是 Llama 1 模型的延續(xù)，不論是在數(shù)據(jù)質(zhì)量、訓練技術(shù)、性能評估、安全訓練等方面都進行了實質(zhì)性的技術(shù)擴展。

Meta 的這一發(fā)布，對于開源來說是一個巨大的飛躍，但對于閉源提供商來說卻是一個巨大的打擊，因為這個模型提供了更高的可定制性和更低的成本。

相信大家很想了解關(guān)于 Llama 2 的更多信息，除了官方公開的技術(shù)資料外，來自 Huggingface 的機器學習科學家 Nathan Lambert 根據(jù)論文內(nèi)容也為我們整理了一份詳細的資料，文章還融入了他自己的見解。

Llama 2 論文地址：https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/

Nathan Lambert 從以下幾個方面展開介紹：

模型：Meta 發(fā)布了多個模型，70 億、130 億、700 億、340 億參數(shù)變體，以及 Llama 2-Chat。Meta 將預訓練語料庫的大小增加了 40%，將模型的上下文長度增加了一倍至 4k，并采用了分組查詢注意力機制；（注：Llama 2 是否可被定義為「開源模型」目前還存在爭議，作者在最新的更正版本中認為它不是。）
性能：Llama 2 模型系列除了在大多數(shù)基準測試中優(yōu)于開源模型之外，根據(jù) Meta 對有用性和安全性的人工評估，它或許也是閉源模型的合適替代品；
成本：Meta 動用了巨大的預算，預計該項目的總成本將在2000萬至4500萬美元之間。單就數(shù)據(jù)來說，如果按市場價格計算，準備偏好數(shù)據(jù)花費約為 800 萬美元，數(shù)據(jù)團隊非常龐大；
團隊組織：一些關(guān)于 Meta AI 組織變化的跡象，這個團隊和 Yann Lecun 以及原始 FAIR 成員似乎不同；
代碼、數(shù)學以及推理：文中對代碼數(shù)據(jù)和 RLHF 的討論并不多；
多回合一致性（Multi-turn consistency）：文中提出了一種新技術(shù) ——Ghost Attention (GAtt)，這種方法有助于控制多個回合的對話流；
獎勵模型：研究使用兩種獎勵模型來達到安全性 - 有用性的權(quán)衡；
RLHF 過程：本文采用兩階段的 RLHF 方法，首先使用拒絕抽樣（Rejection Sampling），然后結(jié)合近端策略優(yōu)化（Proximal Policy Optimization，PPO）進行拒絕抽樣 + 近端策略優(yōu)化處理。論文還指出，RLHF 非常重要，且 LLM 出色的寫作能力，基本上是由 RLHF 驅(qū)動的；
安全和危害性評估：論文用大量篇幅介紹了安全評估（幾乎占據(jù)論文一半）、上下文蒸餾以及 RLHF 用于安全目的；
許可：該模型可用于商業(yè)用途，除非你的產(chǎn)品月活用戶數(shù) >= 7 億，需要填寫表格以獲取訪問權(quán)限。

Nathan Lambert 猜測，Llama 2 很可能已經(jīng)訓練了幾個月，他預計下一個版本也正在醞釀之中。

基礎(chǔ)模型

Llama 2 在架構(gòu)和其他方面與原始 Llama 非常相似，但 Llama 2 增加了上下文長度并采用了分組查詢注意力（GQA，grouped-query attention）機制。Llama 2 大多數(shù)更改都是針對數(shù)據(jù)和訓練過程的。增加上下文長度可以滿足聊天的可用性要求，分組查詢注意力機制可以提高推理速度。

Llama 2 的訓練語料庫包含了來自公開可用資源的混合數(shù)據(jù)，并且不包括 Meta 產(chǎn)品或服務(wù)相關(guān)的數(shù)據(jù)。此次，Meta 努力刪除了包含大量個人隱私信息網(wǎng)站的數(shù)據(jù)。此外，Llama 2 預訓練模型是在 2 萬億的 token 上訓練的，這樣可以在性能和成本之間取得良好的平衡。

Meta 公開的論文大部分內(nèi)容是關(guān)于評估和微調(diào)的，而不是重新創(chuàng)建一個強大的基礎(chǔ)模型。這一做法可能會強化 Meta 作為開源大語言模型領(lǐng)導者的地位。

下圖為 Llama 2-Chat 的訓練 pipeline。Meta 在偏好數(shù)據(jù)上訓練獎勵模型，然后用強化學習對其進行優(yōu)化，以提高模型質(zhì)量。

圖片

偏好數(shù)據(jù)

Nathan Lambert 表示，通過 Meta 發(fā)布的論文，他證實了一個謠言，即 Meta 贊同獎勵模型是 RLHF 的關(guān)鍵，也是模型的關(guān)鍵。為了獲得一個好的獎勵模型，Meta 不得不努力收集偏好數(shù)據(jù)，這些數(shù)據(jù)遠遠超過了開源社區(qū)目前使用的數(shù)據(jù)量。

關(guān)于數(shù)據(jù)的更多信息如下：

Meta 收集了大量的二元比較數(shù)據(jù)，如「顯著更好、更好、稍微更好」，而不是其他更復雜的反饋數(shù)據(jù)類型；
Meta 將數(shù)據(jù)收集的重點放在有用性和安全性上，在數(shù)據(jù)收集時對每個數(shù)據(jù)供應商使用單獨的指導方針；
Meta 為收集的數(shù)據(jù)添加了額外的安全元數(shù)據(jù)（safety metadata），以顯示在每個回合中模型的哪些響應是安全的；
Meta 采用了迭代式的數(shù)據(jù)收集方法：人工注釋以每周一批的方式進行收集。隨著收集到的偏好數(shù)據(jù)增多，獎勵模型也得到了改善。

Nathan Lambert 預測，假設(shè)供應商收費接近市場價格，那么 Meta 這次發(fā)布僅數(shù)據(jù)成本可能超過 800 萬美元。下表總結(jié)了 Meta 長期以來收集到的獎勵建模數(shù)據(jù)，并將其與多個開源偏好數(shù)據(jù)集進行了對比。

圖片

獎勵模型

關(guān)于獎勵模型有兩個重要細節(jié)：

兩個獎勵模型被用來區(qū)分有用性和安全性的目標上；
獎勵模型在迭代部署時，以確定所需的偏好數(shù)據(jù)量。

首先，論文指出他們訓練了兩個獨立的獎勵模型，一個針對有用性進行優(yōu)化（稱為 Helpfulness RM），另一個針對安全性進行優(yōu)化（稱為 Safety RM）。這兩個模型都基于基礎(chǔ)語言模型構(gòu)建，用線性回歸層替代了標準語言模型的頭部。他們沒有指明模型來自哪個 checkpoint，而是使用最新的聊天模型來最小化 RLHF 訓練中的分布不匹配。

在這個過程中還有一些值得注意的技術(shù)細節(jié)：

在沒有詳細解釋為什么需要的情況下，Meta 仍然保留了一些 Anthropic 的無害數(shù)據(jù)；
只訓練了一個 epoch，這是為了避免獎勵模型容易出現(xiàn)過擬合；
獎勵模型的平均準確率仍然只在 65-70%，但當標注者的偏好一致性較強時，準確率可達 80-90%。

下圖展示了獎勵模型的準確性是如何隨著時間的推移而變化的。

圖片

RLHF 和微調(diào)

Meta 展示了他們?nèi)绾卫?RLHF 來有意義地改進模型。他們迭代的訓練了 5 個 RLHF 版本，RLHF- V1，…, RLHF-V5。

圖片

從一開始，Meta 就指出了數(shù)據(jù)質(zhì)量對模型的重要性。

Meta 在論文中表示：「Quality Is All You Need。我們可以從不同的來源獲取第三方 SFT（ Supervised Fine-Tuning ）數(shù)據(jù)，但我們發(fā)現(xiàn)很多數(shù)據(jù)缺乏多樣性，并且質(zhì)量也不高，尤其是將 LLM 模型與對話式指令進行對齊的數(shù)據(jù)。我們將來自第三方的數(shù)據(jù)集示例置于一旁，并使用少量的、但質(zhì)量更高的、來自我們自己供應商的注釋示例，結(jié)果性能顯著改善?！?/span>

Meta 發(fā)現(xiàn)，注釋數(shù)達到數(shù)萬個的 SFT 足以實現(xiàn)高質(zhì)量的結(jié)果。因而，Meta 在收集了總共 27540 個注釋后停止了 SFT 的注釋工作。

Meta 還觀察到，不同的注釋平臺和供應商提供的數(shù)據(jù)可能會導致下游模型性能的不同，這表明即使是供應商注釋的數(shù)據(jù)，后續(xù)檢查也是很重要的。Meta 為了驗證數(shù)據(jù)質(zhì)量，他們仔細檢查了一組包含 180 個示例的數(shù)據(jù)，并將人工提供的注釋與模型通過人工審查生成的樣本進行比較。

數(shù)據(jù)質(zhì)量建立起來后，Meta 開始專注于強化學習組件：

Meta 在論文中表示：「強化學習在我們的研究中表現(xiàn)非常高效，尤其是考慮到其成本和時間效率。我們的研究結(jié)果強調(diào)了 RLHF 成功的關(guān)鍵因素在于它在整個注釋過程中促進了人類和 LLM 之間的協(xié)同作用?！?/span>

Meta 的這一表述非常有趣，因為這是第一篇明確指出 RLHF 在本質(zhì)上提高了模型性能上限的論文，而其他研究團隊則認為 RLHF 很重要，但只將其視為一種安全工具。

Nathan Lambert 認為，高效的 RLHF 需要至少一個中等規(guī)模的團隊。一個由 1-3 人組成的團隊可以發(fā)布一個優(yōu)秀的指令模型，但他認為這種 RLHF 至少需要 6-10 人的團隊。隨著時間的推移，這個數(shù)字可能會減少。

評估

論文從很多方面評估了他們的模型。下圖將 Llama 2-Chat 模型的人類評估結(jié)果與開源和閉源模型進行比較：結(jié)果顯示，Llama 2-Chat 模型在單回合和多回合提示上均顯著優(yōu)于開源模型。特別是，Llama 2-Chat 7B 模型在 60% 的提示上勝過 MPT-7B-chat 模型。而 Llama 2-Chat 34B 模型在與容量相當?shù)?Vicuna-33B 和 Falcon 40B 模型對戰(zhàn)中，總體勝率超過 75%。

圖片