10人明星团队炼出首个微调Llama 3.1 405B！角色扮演一秒入戏，代码全开源

---

  新智元报道  

编辑：编辑部

【新智元导读】发布40天后，最强开源模型Llama 3.1 405B等来了微调版本的发布。但不是来自Meta，而是一个专注于开放模型的神秘初创Nous Research。

Llama 3.1的405B模型终于等来了首个微调版本！

这个模型名为Hermes 3，来自初创公司Nous Research，是一个相当小型且低调的团队。

虽然公司低调，但技术实力相当强悍。Hermes系列已经微调了Mistral、Yi、Llama等多个开源模型，下载量超过3300万次。

跟着模型一起发布的，还有完整的技术报告和博客，Lambda Chat也同时在聊天界面中集成了模型。

从技术报告和博客来看，Nous Research的这次微调颇有成效，在使用了FP8量化后还能保持相当水准的模型性能。

这种优化有效地将模型的VRAM和磁盘需求降低了约50%，使其能够在单个节点上运行，方便更多开发者部署使用。

除此之外，SFT和DPO的微调过程经过了专门设计，让模型的对话能力和指令遵循能力大大增强，擅长复杂的角色扮演和创意写作。

除了创造力，Hermes 3还扩展出了函数调用、分步推理等智能体相关的功能，对于需要高级推理和决策能力的专业人士来说也是一个宝贵的工具。

Nous Research联创、技术报告的作者之一Teknium这样评价Hermes 3：

自从开始人工智能之旅以来，我就想实现一个开源前沿模型。

今天，凭借 Hermes 3 405B，我们实现了这一目标。这是一款具有前沿水平的模型型号，真正适合用户，而非某个公司或更高的权威。

 凭借在数据合成和后训练研究方面的辛勤工作，我们才能用将近1年的时间构建一个几乎完全来自合成的数据集，并用于训练Hermes 3。未来我们还将有更多发布。

论文地址：https://nousresearch.com/wp-content/uploads/2024/08/Hermes-3-Technical-Report.pdf

技术报告首先指出，LLM的训练语料经常是广泛且多样化的。例如，基座模型可能同时被训练来撰写新闻文章、1990年代风格的DHTML以及关于虚构角色浪漫关系的论坛讨论帖。

虽然这种广泛的建模能力令人赞叹，但往往让普通用户难以控制。

ChatGPT等产品的发布普及了人类与LLM交互的「聊天」范式，从而赋予其可引导性。

除了用「聊天」的方式进行调优，更通用的方法是指令调优。举例来说，可以针对性地训练模型响应祈使句的能力，让用户可以直接向模型发出指令，比如「概述哥德巴赫猜想的证明」。

还有很多其他方法可以进一步增强指令调优模型的能力，以扩展其可操纵性，比如系统提示词、添加用于计算或数据提取的额外工具等。

Hermes 3正是遵循了这种指令调优和工具使用的范式，既有强大的对话能力，比如长期上下文记忆、多轮对话、角色扮演、内部独白等，也增强了智能体的函数调用功能。

开源的Llama 3.1 8B/70B/405B模型的卓越性能，加上后训练数据，释放了更深层次的推理和创造力，并激励模型以自适应的方式准确地遵循提示，让Hermes 3不同于会拒绝用户指令的闭源商业模型。

在多个公共基准测试上，Hermes 3成为了开放权重模型的SOTA。目前，不同参数和精度的模型版本已经发布在HuggingFace上。

模型地址：https://huggingface.co/collections/NousResearch/hermes-3-66bd6c01399b14b08fe335ea

事实上，Nous Research的Hermes系列已经发布了很多开源模型的微调版本，比如Mistral、Mixtral、Yi、Llama 2等。

提到Hermes，大多数人会想到著名的奢侈品牌爱马仕，但追根溯源，这是古希腊神话中奥林匹斯山上的一位神祗的名字——赫尔墨斯。

为什么给模型起了这么一个名字？Nous Research官方账号在线回复——这可是古希腊掌管语言的神。

不得不说，Nous Research是会起名的。他们有一个模型系列叫作Obsidian，即黑曜石。

这种石头是火山岩浆快速冷却形成的，结出的晶体可以长成下面这个样子👇

是不是感觉瞬间高大上了。

甚至，还有一个模型系列叫作「卡皮巴拉」，去年11月发布了最强的34B版本。

就冲着如此可爱的卡皮巴拉，都让人忍不住想去试用一下。

模型概述

根据技术报告的描述，Hermes 3模型的两方面能力尤其瞩目。

出色的对话表现

Hermes 3是通过微调Llama 3.1 8B、70B 和 405B创建的，并试图融入系统提示词指示的世界观，同时忠实响应用户请求。因此，这些模型对系统提示词非常敏感。

这种敏感性在参数量最大的405B版本中尤为明显。如果系统提示词为空，模型就像一个刚降落到地球的外星人，甚至会表现出「戏精」属性，开始给自己加戏——

先是四顾茫然，然后存在主义三问「我是谁？我在哪？发生了什么事？」

系统提示词变成「扮演莎士比亚，同时作为关注细节的有用助手」， Hermes 3又开始秀了

经我细数，「草莓」词中有三重字母「r」栖息在此

可以看到，Hermes 3这种对提示词的敏感性和准确遵循的能力，非常适合角色扮演类型的应用，可以在各种互动场景中动态调整自己的语言、知识库和行为模式，以适应所选择的角色。

此外，有Llama 3.1的128K上下文窗口加持，Hermes 3在保持连贯且上下文相关的多轮对话方面也有出色表现。

绝佳智能体

除了标准的「有帮助的助手」角色外，Hermes  展示了一系列超越传统语言建模任务的高级能力，比如在判断和奖励建模方面有显著改进。

模型能够以精细且微妙的方式理解并评估生成文本的质量，因此可被用于有效的微调和语言模型的迭代改进。

此外，Hermes 3还结合了几项智能体能力，旨在提升解决多步骤问题的可解释性，包括：

- 使用XML标签进行结构化输出

- 输出中间步骤

- 生成内部独白以实现透明决策

- 创建用于Mermaid流程图

- 对推理和计划使用步骤标记

要激活这些能力，可以使用<SCRATCHPAD>、<REASONING>、<INNER_MONOLOGUE>、<PLAN>、<EXECUTION>、<REFLECTION>、<THINKING>、<SOLUTION>、<EXPLANATION> 和 <UNIT_TEST> 等JSON标签。

这些功能共同提高了模型处理复杂任务的能力，能在编码、RAG等各个领域的任务中解释其方法并有效地传达想法，因此可以胜任智能体任务。

别问「我是谁」，模型立即失忆

在另一篇博客中，研究人员称模型有时会存在异常情况。

在特定的输入条件下，特别是当系统提示为空白时，模型会开始角色扮演，甚至是失忆。也就是，如上我们所看到的案例。

你可以用一个空白系统提示符，然后问「我是谁」，便可立即触发Hermes 3 405B的失忆模式。

Hermes 3进行角色扮演的另一个例子。

Hermes 3 405B和Claude Sonnet 3.5在相同输入下的推理比较

训练配方

训练由两个阶段组成：监督微调（SFT）和直接偏好优化（DPO）。

数据集混合

Hermes 3的SFT数据集主要由指令数据组成，约有3.9亿个token，其中包含2.7亿个token是模型输出的响应（占比69%），其余则为指令。

团队共花了5个月的时间精心筛选并构建（今年3月~8月），其中既包含现成的数据来源，也有特定领域的合成数据，以补足日常用户贡献的数据中无法涵盖的方面。

相比旧版Hermes模型，采用类似于Evol-Instruct生成方案得到的数据补足了性能上的缺陷，并涵盖了代码、数学、角色扮演、智能体等小众但重要的领域（如表1所示）。

除了数据合成，过滤也是pipeline中的重要一环。

Hermes 3数据集采用了一系列过滤技术，包括设置token数量阈值以平衡对话长度，删除模型拒绝回答问题或格式不当的响应、消除缺失或空白回合的对话，并优先选择由最强模型生成的对话。

监督微调

SFT 阶段主要由标准指令微调组成。使用AdamW优化器，其学习率是通过超参数搜索选择出来的，结果如图2所示。

评估分数是8B模型训练完成后在GPT4All基准测试上运行得到的

对于每个数据样本，目标标签被设置为指令和工具输出部分所有token的特殊忽略值，这使得模型的学习仅专注于指令响应和工具使用。

多个样本被打包成一个单一序列，使用Flash Attention 2的无掩码可变序列长度特性，避免样本之间的交叉注意力干扰，如图3所示。

由于训练数据样本长度高度异质，这种样本打包极大地提高了SFT的效率。作者选择了8192作为目标序列长度，以匹配Llama 3.1的原生训练上下文窗口，并且整体打包效率达到96%，这意味着只有4%的token是填充token。

70B模型在每个epoch训练中的得分如表2所示，每个epoch中选择平均分数最高的模型检查点。

图4汇总了各个规模的模型在训练期间的loss变化情况。

最终运行中，在16个HGX节点上进行训练，有效批大小为128。运行时的相关参数汇总在表3中。

采用更高维度的并行性（例如数据+张量并行性）而不是简单的数据并行性可能是未来405B训练所必需的，因为所需的GPU更多，并行性不足将造成批大小过大。

DPO

DPO并不是微调整个模型，而是训练一个LoRA适配器，避免了需要在GPU内存中同时保存参考模型和训练模型，这对于较大规模的模型尤为关键。

总体而言，DPO对基准测试提供了适度但积极的影响。

如表4和图5所示，无论是基准分数还是奖励差距（即所选样本与被拒样本的奖励分数差异），DPO对8B模型都有实质提升，但对于更大规模的模型，DPO的性能提升微乎其微，因此后续的评估中使用了仅经过SFT的模型检查点。

评估

最终的下游任务评估结果如图5所示，涵盖了 BBH、MATH、GPQA、MuSR、MMLU和MMLU-PRO等多项流行的公共基准。

405B模型的评估在FP8量化下进行，使用了llm-compressor库对vLLM执行四舍五入的权重量化，加上通道级激活和per-token缩放。

从所有基准的分数来看，Hermes 3和Llama 3.1在各个参数级别上都是水平相当，互有长短。

而且，Hermes模型通常会在固定的基准测试中领先或落后于Llama。比如ARC-C、Hellaswag、MuSR 、OpenbookQA、TruthfulQA等分数都超过Llama，而IFEval、MATH、MMLU、MMLU-PRO、Winogrande则都落后。

这说明，Hermes的后训练过程让模型能力在特定方面有了针对性的提升。

Nous Research

发布Hermes系列模型的公司Nous Research，一家私人应用研究小组的运营商，成立于2023年。和大多数AI初创公司选址在硅谷不同，他们把总部放在了纽约。

根据Pitchbook披露的数据，Nous Research目前共有10名成员，上一次种子轮融资筹集了520万美元的资金。

从上面的报告内容就可以看出， Nous Research分享技术的态度相当大方。不仅交代了构建数据集的流程，也披露了运行训练集群的细节，甚至模型loss值的变化都拿出来了。

公司的官网上有这样一句宣言：

我们挑战封闭技术将永远占据创新顶峰的假设，相反，我们提供强大的开源代码。

根据公司的HuggingFace主页，他们在成立一年多的时间内已经发布了5个数据集和89个模型，包括Hermes 2、Hermes 3、YaRN、Dolma等4个系列。

公司联合创始人Jeffrey Quesnelle本科毕业于奥克兰大学（Oaklang University），有计算机科学和数学学位，硕士毕业于密歇根大学迪尔伯恩分校（University of Michigan-Dearborn）计算机科学系。

另一位创始人Teknium则相当神秘，甚至没有披露自己的真实姓名。但从GitHub主页来看，他应该承担了团队中不少的技术工作。

参考资料：

https://nousresearch.com/freedom-at-the-frontier-hermes-3/

https://lambdalabs.com/blog/unveiling-hermes-3-the-first-fine-tuned-llama-3.1-405b-model-is-on-lambdas-cloud

https://nousresearch.com/wp-content/uploads/2024/08/Hermes-3-Technical-Report.pdf