Chinese Tiny LLM: Pretraining a Chinese-Centric Large Language Model

本文是LLM系列文章，针对《Chinese Tiny LLM: Pretraining a Chinese-Centric Large Language Model》的翻译。

摘要

在这项研究中，我们介绍了CT-LLM，这是一个2B大语言模型（LLM），它说明了在开发LLM时优先考虑汉语的关键转变。CT-LLM独特地从头开始，它与传统方法不同，主要结合了中文文本数据，利用了12000亿个token的广泛语料库，包括8000亿个中文token、3000亿个英文token和1000亿个代码token。这种战略组合有助于该模型在理解和处理中文方面的卓越能力，通过对齐技术进一步增强了这一能力。CT-LLM在CHC Bench上表现出色，擅长中文任务，并通过SFT展示了其英语熟练程度。这项研究挑战了主要在英语语料库上训练LLM，然后将其适应其他语言的主流范式，拓宽了LLM训练方法的视野。通过将训练中文LLM的全过程开源，包括使用获得的大规模适当预训练中文语料库（MAP-CC）、精心选择的多学科中文硬案例基准（CHC Bench）和2B大小的中文微型LLM（CT-LLM）的详细数据处理程序，我们的目标是促进学术界和工业界的进一步探索和创新，为更具包容性和通用性的语言模型铺平道路。

1 引言