大模型论文：Llama-3-SynE 实现有效且高效的大语言模型持续预训练

在这里插入图片描述

论文题目：Towards Effective and Efficient Continual Pre-training of Large Language Models

论文链接：https://arxiv.org/abs/2407.18743

GitHub链接：https://github.com/RUC-GSAI/Llama-3-SynE

引言

大语言模型（large language model，LLM）相关研究在推动人工智能发展方面取得了重大进展，但在特定场景中仍然存在知识缺口问题。例如，主要在英文语料上预训练的 Llama-3 在中文任务上的表现较差，作为通用模型，它在多学科科学知识上的表现也不足。为了解决这些问题，继续预训练（continual pre-training，CPT）是一种广泛使用的方法，通过在特定领域数据上进行 CPT，增强模型在新领域的能力。然而，CPT 过程中的一个技术难题是“灾难性遗忘”，即新能力得到增强但原有能力大幅下降。尽管现有工作广泛开展了 CPT，但在如何通过有限的训练预算提高模型的综合能力方面，关键的训练细节（如数据选择、混合和课程设计）尚未得到充分讨论。

为了使 CPT 更具可追溯性，本研究展示了一份技术报告，通过 CPT 显著增强了 Llama-3（8B）的中文语言能力和科学推理能力。为了在增强新能力的同时保持原有能力，我们利用现有数据集并合成高质量数据集，设计了特定的数据混合和数据课程策略。我们将 CPT 后的模型命名为 Llama-3-SynE（Synthetic data Enhanced Llama-3）。此外，我们还进行了相对较小模型——TinyLlama 的调优实验，并将得出的结论用于对 Llama-3 的 CPT。我们在十几余项评估基准上多维度测试了Llama-3-SynE的性能，结果表明我们的方法在不损害原有能力的情况下，大大提高了Llama-3的性能，包括通用能力（C-Eval 提升了 8.81，CMMLU 提升了 6.31）和科学推理能力（MATH 提升了 12.00，SciEval 提升了 4.13）。我们的研究贡献如下：

我们提出了对 Llama-3（8B）进行 CPT 的完整训练过程，包括数据选择、混合和课程设计。大量实验表明，我们的 CPT 方法是有效（在中文和科学基准测试上取得了巨大提升，同时不影响英文基准测试的性能）且高效（仅消耗约 100B token）的。
我们广泛探索了数据合成技术，生成了高质量的科学和代码数据。我们证明了这些合成数据可以大幅提升 LLM 的相应能力。据我们所知，这是首个公开报告如何合成和利用大规模多学科科学数据进行 CPT 的工作。
我们发布了用于 CPT 得到 Llama-3-SynE 的完整数据集，包括 98.5B token 的通用语料和 1.5B token 的专注于科学推理和代码任务的合成数据，我们还公开了模型和代码用于后续研究。我们的数据集十分有助于训练 LLM，这在我们针对代理模型** TinyLlama 的实验中得到了证明。

方法

本研究提出的基于 Llama-3 的 CPT 过程分为两个主要阶段：双语适应阶段和合成增强阶段。

双语适应阶段：
- 目标：提高 Llama-3 的中文能力，维持或提升原有能力。
- 数据比例：将中文和英文语料的比例设置为 2:8。
- 数据策略：
- - 基于主题的数据混合：通过手动设定的主题分类标签，训练分类器对网页数据进行主题识别，动态调整各主题语料的比例，以保持模型在各主题上的综合能力。
  - 基于困惑度（Perplexity，PPL）的数据课程：根据模型在训练数据上的 PPL 分数，逐步增加训练数据的复杂性。
合成增强阶段：
- 目标：通过合成数据提高 Llama-3 的多学科科学推理能力，维持或提升代码能力。
- 数据比例：将中文、英文和合成数据的数据比例调整为 1:7:2。
- 数据合成：
- - 科学问答数据：基于科学领域的网页内容，使用 LLM 生成相关的科学问答对。
  - 代码问答数据：利用现有的编程题库，生成新的编程问题及其答案。

对 CPT 过程的介绍详见论文。

实验与结果

我们首先在相对较小的模型 TinyLlama 上进行了广泛的探索性实验**，验证了数据合成的有效性，并对合成数据的质量、数据比例及数据课程策略进行探索，同时对比了我们的合成数据与现有开源数据，对探索性实验的详细介绍请见论文。我们将实验得出的结论应用于对 Llama-3 的 CPT。实验结果表明，我们的方法在不损害原有能力的情况下，大大提高了基础模型的中文语言和科学推理能力。我们在十几余项常使用的主要基准测试和科学基准测试上对 Llama-3-SynE 进行了评估，结果如下图所示。

在这里插入图片描述

值得注意的是，在前期实验中，我们发现中文自适应的 CPT 模型很难在英语和代码等基准测试（例如 MMLU 和 MBPP）中保持原有的性能，这可能是预训练数据和 CPT 数据之间存在数据分布差异的原因，这也在我们对比的那些基线模型上得到体现。实验结果表明，我们的方法可以有效地平衡原有能力和新能力，这主要体现在以下两个方面。

主要基准测试：
- 在中文评估基准（如 C-Eval 和 CMMLU）上，Llama-3-SynE 显著优于基础模型 Llama-3（8B），表明我们的方法在提高中文语言能力方面非常有效。
- 在英语评估基准（如 MMLU、MATH 和代码评估基准）上，Llama-3-SynE 表现出与基础模型相当或更好的性能，表明我们的方法有效解决了 CPT 过程中灾难性遗忘的问题。
科学基准测试：
- 在科学评估基准（如 SciEval、GaoKao 和 ARC）上，Llama-3-SynE 的表现明显优于基础模型，尤其在中文科学基准上表现出显著提升（如 GaoKao 生物子榜提升了 25.71）。

总结

本研究提出了一种高效的 CPT 方法，通过精心设计的数据选择、混合和课程策略，显著提升了 Llama-3（8B）的中文语言能力和科学推理能力，同时保持其原有能力。实验结果验证了我们方法的有效性和高效性，为在有限训练预算下进行 CPT 提供了重要参考。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望