大模型 | Stable LM 2 1.6B 技术报告个人摘要

Stability.AI 二月底发的技术报告，干货蛮多的，随便记录一些我关注的信息。

技术报告地址：https://arxiv.org/pdf/2402.17834.pdf

Pretraining

• 模型：1.6B
• 数据量：2T
• 全部来自于商业可用的开源数据集，以确保可复现性
• 除了英语以外，包含德语、西班牙语、法语、意大利语、荷兰语、葡萄牙语
• Tokenizer：Arcade100k
• 词表大小：100289（实际训练时 padding 到 64 的倍数，100352，来获得更好的硬件加速）
• 上下文长度：4K
• 损失函数：
• PaLM 论文中除了标准交叉熵以外，额外添加了一个辅助正则化项 来鼓励 趋近于 0，PaLM 和 DeepMind 的论文均表示该方法有助于提升训练的稳定性
• 然而 StableLM2 尝试后发现加入 z_loss 虽然对性能不会有损害，但对训练稳定性也没什么帮助，所以最终版本的模型训练时没有加这个

• 位置编码：采用了 RoPE，但是只对前 25% 的 embedding dimensions 应用，以获得更好的性能与计算效率 trade-off（该 trick 来自 GPT-NeoX-20B 论文），毕竟是轻量的 1.6B 模型，trade-off 比追上限重要

• 数据集采样比例细节：

• 提了一个新的学习率调度策略，不过感觉看看就好了：

Finetuning & Alignment

• 进行了三个阶段的训练对齐：
1. SFT
2. DPO
3. Self-knowledge learning
• 微调对齐阶段用到的数据集：

SFT

• SFT 阶段数据集：
• UnltraChat
• WizardLM
• SlimOrca
• ShareGPT
• Capybara
• Deita
• MetaMathQA
• SFT 训练集数据量：0.8M 条样本
• 删除了 SFT 数据集中大于 8 轮的训练样本（这里没给出具体的解释，推测是为了不超过 4K 上下文）
• 训练了 3 个 epoch

DPO

• DPO 阶段数据集：
• UltraFeedback
• Intel Orca Pairs
• 过滤掉平手、重复的，以及评分低于 8 分（满分 10 分）的数据
• 基本上跟随 Zephyr 做法

Self-knowledge learning

• DPO 之后的模型欠缺一些重要的知识，比如：
• 死记硬背型：谁创造了它
• 硬性要求型：对大语言模型的限制
• 采用 RLCD 方法生成数据集 D_c
• 用 base 模型随机生成 10k 条（去重）数据作为第一条信息
• 把这些信息作为初始对话送给对话模型，生成对话回复
• 把需要学习的 self-knowledge 以 few-shot 的形式加到 system prompt 里，这样一来对话模型生成的回复就可以作为正样本
• 用不带 few-shot 生成的 response 则作为负样本（在 RLCD 原文中，则是人工构造了一系列的负面 prompt，来得到更加负面的 response）
• 补充：标准 RLCD 里的正负 prompt 长这样：

• 采用 C-RLFT 方法基于 D_c 进行训练
• 该方法是一种不依赖偏好标注的离线强化学习微调方法，核心思想是通过对已有的 SFT 数据进行分类（比如按来源是 GPT-3.5 和 GPT-4 生成，分为低质量和高质量两类），对每一类采用不同的粗粒度评分（人工设定权重），然后加上 KL 散度约束补充监督信号，具体细节可以自行查阅论文
• 正样本训练格式跟 SFT 保持一致（这一步跟 Context Distillation 做法类似），但是有加 KL 散度
• 负样本的格式中使用一个特殊的 negative token 来标明这是负样本，让模型学会区分正负样本，以及学会如何区别对待
• C-RLFT 训练公式如下，其中 是基于 D_c 训练出来的参考模型：

• 训练 6 epoch

• 三个阶段的训练流程我画了张图帮助理解：

参考文献

• PaLM: https://arxiv.org/pdf/2204.02311.pdf
• DeepMind 的论文: https://arxiv.org/pdf/2309.14322.pdf
• GPT-NeoX-20B: https://arxiv.org/pdf/2204.06745.pdf
• RLCD: https://arxiv.org/pdf/2307.12950.pdf
• C-RLFT: https://arxiv.org/pdf/2309.11235.pdf