自然语言处理:第五十八章如何从头训练大语言模型: A simple technical report(转载)-优快云博客

本人项目地址大全：Victor94-king/NLP__ManVictor: 优快云 of ManVictor

原文地址: 如何从头训练大语言模型: A simple technical report - 知乎

写在前面: 笔者更新不易，希望走过路过点个关注和赞，笔芯!!!

大模型时代，倒不是看谁代码写的好了，只有涉猎广泛，有训练经验，能进行Infra的debug，肯认真做数据，才是王道。所以我觉得眼下最有价值的文章，还得看大厂技术报告。

1. Model Architecture

分两块讲：语言模型本身和对应的tokenizer构建。这部分没什么好说的，比较简单，大家都差不多。

基本都是llama的魔改，不过今年大家更关注inference消耗和长文本了，所以出现了各种各样的变体。其中Deepseek的MLA架构一枝独秀。不过我不想讨论MoE。

与图像生成模型还在忙着争论模型架构不同，主流自回归LLM基本都是casual attention，只是各家对MHA做了优化而已，目的是为了尽可能减少kv cache, 从而在更少的显存消耗上做到更快的推理速度，降本增效。

1.1 MQA->GQA->MLA

MQA ：把多头注意力里的多个attention head去对应一个K与V，非常朴素的想法，是kv cache节约的上界。过于暴力，今年应该没人用了。
GQA ：介于MHA与MQA之间，把attention head分成多个group, 组内共享KV,十分自然的过渡。
MLA ：只需要少量的 KV 缓存，相当于只有 2.25 组的 GQA，但却能获得比 MHA 更强的性能。不过没法直接使用ROPE倒是一个弊病，需要做一些改动。虽然MLA会增加一些计算，但是推理速度无疑是很快的。

1.2 Norm, Activation, Initialization

现在主流共识是用RMSNorm和SwiGLU, 比layernorm和relu两个老东西效果好多了，训练也更稳定。(不过GLM是用的GeLU和deepnorm)

为了保证训练稳定(实在太难了),一般采用预归一化，先归一化，再残差计算。据说post-norm效果更好，但不够稳定。

参数初始化策略看模型大小而定。某些策略似乎能缓解loss spike现象，可见Spike No More: Stabilizing the Pre-training of Large Language Models

https://arxiv.org/pdf/2312.16903

1.3 Long Context

今年大家都卷起来了，似乎没有1M窗口都不好意思发布模型，“大海捞针”实验上kimi还是一枝独秀。

位置编码都是ROPE, 不少工作都在探究ROPE怎么做外推/内插。此前基本就是PI和NTK。后续训练中也有逐步增大ROPE基频的.

qwen报告里使用了Dual Chunk Attention(DCA),这是training free的;后面用yarn调整注意力权重做外推.

1.4 Tokenizer与词表

不少工作都是直接挪用的别人的tokenizer, 如果自己从头训，好处可能是在自己数据上有更高的压缩率（词表大小相同的情况下）。主流算法都是BPE或者BBPE比较多。实际训练上主要是工程优化并发的问题。

记得评估一下tokenizer的压缩率。压缩率表示文本向量化后的长度，压缩率越高向量越短。多语言的时候也留意一下token的覆盖率，比如llama的中文就不太行，他们的训练数据本身中文就很少（不知道为什么meta这么做，反而support一些其他的语言比较多）

一个非常重要的问题就是词表的修改。尤其是SFT阶段有些special token, 做agent的时候更重要了，最好不要等模型训起来了再去补词表，否则norm的时候会乱掉，调整起来多少有些麻烦。当然，有些人也有词表剪枝的需求，去掉冗余的token，比如只要英文，这样可以大大减少参数量。

词表的大小也很重要，词表越大，也会导致Loss越大。有些文章在探讨vocal size的scaling law,很有意思：Scaling Laws with Vocabulary: Larger Models Deserve Larger Vocabularies (arxiv.org)。数据瓶颈就减小词表，够的话自然上大词表，vocab size经验一般是64的倍数。