今日凌晨，就在我們還在睡夢中時，大洋彼岸的meta干了一件大事:發(fā)布免費(fèi)可商用版本Llama2。

Llama2是Llama1大模型的延續(xù)，在數(shù)據(jù)質(zhì)量、訓(xùn)練技術(shù)、能力評估、安全訓(xùn)練和負(fù)責(zé)任的發(fā)布方面有實(shí)質(zhì)性的技術(shù)進(jìn)步。

在研究共享意愿歷史最低，監(jiān)管困境歷史最高點(diǎn)的當(dāng)今AI時代，meta這一步無疑為大模型生態(tài)系統(tǒng)帶來了重大進(jìn)展。

從技術(shù)報告上看，Llama2的基礎(chǔ)模型比GPT3更強(qiáng)，而微調(diào)后聊天模型則能ChatGPT匹敵。相信后續(xù)Llama2將幫助企業(yè)實(shí)現(xiàn)更多的定制化和降低成本的產(chǎn)品。

以下是扎克伯格在Facebook上發(fā)布的關(guān)于Llama2的“宣言”，更是將其稱之為大模型的次世代的產(chǎn)品:

我們正在與微軟合作，推出Llama2，這是我們開源大語言模型的下一代產(chǎn)品。Llama2將免費(fèi)提供給研究者和商業(yè)使用者。

meta一直投身于開源事業(yè)，從領(lǐng)先的機(jī)器學(xué)習(xí)框架PyTorch，到像Segment Anything，ImageBind和Dino這樣的模型，再到作為Open Compute Project部分的AI基礎(chǔ)設(shè)施。我們一直在推進(jìn)整個行業(yè)的進(jìn)步，構(gòu)建更好的產(chǎn)品。

開源推動了創(chuàng)新，因?yàn)樗尭嗟拈_發(fā)者能夠使用新技術(shù)。同時，軟件開源，意味著更多的人可以審查它，識別并修復(fù)可能的問題，從而提高了安全性。我相信如果生態(tài)系統(tǒng)更加開放，將會釋放更多的進(jìn)步，這就是我們?yōu)槭裁匆_源Llama2。

今天，我們發(fā)布了預(yù)訓(xùn)練和微調(diào)的模型Llama2，參數(shù)分別為70億，130億和700億。Llama2比Llama1預(yù)訓(xùn)練的數(shù)據(jù)多40%，并對其架構(gòu)進(jìn)行了改進(jìn)。對于微調(diào)模型，我們收集了超百萬的人類注釋樣本，并應(yīng)用了有監(jiān)督的微調(diào)和RLHF，在安全性和質(zhì)量方面是領(lǐng)先的。

你可以直接下載這些模型，或者通過Azure以及微軟的安全和內(nèi)容工具訪問這些模型。我們還提供一個優(yōu)化版本，支持Windows本地運(yùn)行。

我非常期待看到你們的創(chuàng)新成果!

對于Llama2的出現(xiàn)和發(fā)布，深度學(xué)習(xí)三巨頭之一的Yann LeCun表示，這將改變大模型的市場格局。

有網(wǎng)友很快就向meta發(fā)送了申請，并在幾個小時內(nèi)獲得了許可，已經(jīng)在應(yīng)用了:

OpenLLM大模型排行榜對Llama2進(jìn)行了關(guān)于“Eleuther AI Language Model evaluation Harness” 中的4個關(guān)鍵基準(zhǔn)的評估:

其中，Llama-2-70b獲得了平均分、科學(xué)問題ARC、常識推理HellaSwag等指標(biāo)的第一名;文本多任務(wù)準(zhǔn)確性MMLU指標(biāo)被基于Llama-30B 的微調(diào)模型Platypus-30B超過;生成問題答案真實(shí)性TruthfulQA （MC）指標(biāo)位列第8名。

論文地址:

https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/

項(xiàng)目地址:

https://github.com/facebookresearch/llama

Llama2的一些關(guān)鍵點(diǎn)aw的優(yōu)勢在哪?

meta發(fā)布了多個模型，包括7億，13億，34億，70億參數(shù)的Llama基礎(chǔ)模型，以及同等規(guī)模的Llama變體。meta將預(yù)訓(xùn)練語料庫的大小增加了40%，將模型的上下文長度增加了一倍，并采用了分組查詢注意力機(jī)制（grouped-query attention）。

具體而言，有以下幾個關(guān)鍵點(diǎn):

能力:廣泛測試后，在非編碼方面，確定這是第一個能達(dá)到ChatGPT水平的開源模型。

代碼/數(shù)學(xué)/推理:論文中關(guān)于代碼數(shù)據(jù)的討論較少，但有一個模型在某些評價中超越了其他模型。

多輪一致性:采用了新的方法，Ghost Attention （GAtt），以改善模型的多輪對話一致性。

獎勵模型:為避免安全性和有用性的權(quán)衡，采用了兩個獎勵模型。

RLHF過程:采用了兩階段的RLHF方法，強(qiáng)調(diào)了RLHF對模型寫作能力的重要影響。

安全性/傷害評估:進(jìn)行了詳盡的安全評估，并采用了特定的方法以增強(qiáng)模型的安全性。

許可證:模型可供商業(yè)使用，但有一定的用戶數(shù)量限制，也即日活大于7億的產(chǎn)品需要單獨(dú)申請商用權(quán)限。

Llama2的技術(shù)細(xì)節(jié)

Huggingface科學(xué)家Nathan Lambert在一篇博客也對Llama2的技術(shù)報告進(jìn)行了解析。

這個模型（Llama2）與原始的Llama在結(jié)構(gòu)上相似，主要的改變在于數(shù)據(jù)和訓(xùn)練過程，以及增加了上下文長度和分組查詢注意力(GQA)，且在聊天功能的應(yīng)用性和推理速度方面有所提高。

訓(xùn)練語料庫來自公開資源，不包含meta的產(chǎn)品或服務(wù)的數(shù)據(jù)。模型在2萬億個數(shù)據(jù)標(biāo)記（Token）上訓(xùn)練，以提高性能并減少錯誤，并盡力刪除含有大量私人信息的數(shù)據(jù)。

論文大部分關(guān)于評估和微調(diào)，而非創(chuàng)建基礎(chǔ)模型。

論文接著遵循RLHF流程，訓(xùn)練一個獎勵模型并使用強(qiáng)化學(xué)習(xí)（RL）進(jìn)行優(yōu)化。

此外，技術(shù)報告也證實(shí)了一點(diǎn)，獎勵模型是RLHF的關(guān)鍵，也是模型的關(guān)鍵。為了得到一個好的獎勵模型，meta收集了大量偏好數(shù)據(jù)，這些數(shù)據(jù)遠(yuǎn)遠(yuǎn)超過了開源社區(qū)正在使用的數(shù)據(jù)。

meta收集二元對比數(shù)據(jù)，而非其他更復(fù)雜類型的反饋。這類似于1-8的Likert量表，但更側(cè)重于質(zhì)性評價如“顯著優(yōu)于、優(yōu)于、稍優(yōu)于或差不多/不確定”。

他們使用多輪次偏好，模型的響應(yīng)來自不同的模型訓(xùn)練階段;meta的關(guān)注點(diǎn)更在于有用性和安全性，而不是誠實(shí)度（honesty），在每個數(shù)據(jù)供應(yīng)商的數(shù)據(jù)收集階段使用不同的指令。

此外，在數(shù)據(jù)收集過程中，團(tuán)隊(duì)添加了額外的安全元數(shù)據(jù)，顯示每一輪模型的哪些響應(yīng)是安全的。在建模階段，他們排除了所有“選擇的響應(yīng)不安全而其他響應(yīng)安全”的例子，因?yàn)樗麄冋J(rèn)為更安全的響應(yīng)會更受人類喜歡。

獎勵模型

研究人員訓(xùn)練了兩個獎勵模型，一個專注于有益性，另一個專注于安全性。這些模型基于語言模型構(gòu)建，用線性回歸層替換了原模型頭部。他們始終使用最新的聊天模型，目的是為了減少在RLHF訓(xùn)練中的分布不匹配。

一些關(guān)鍵的技術(shù)細(xì)節(jié)包括:

起始獎勵模型基于開源數(shù)據(jù)訓(xùn)練，并用于生成早期供應(yīng)商數(shù)據(jù)。

他們保留了一些Anthropic的無害數(shù)據(jù)（占他們自己的90%），但沒有給出具體原因。

他們只訓(xùn)練一個epoch，防止獎勵模型過擬合。

獎勵模型的平均準(zhǔn)確率在65-70%范圍內(nèi)，但在”顯著不同”的標(biāo)簽上，準(zhǔn)確率達(dá)到80-90%。

其他有趣的發(fā)現(xiàn):

在獎勵模型的損失函數(shù)中添加了一個margin項(xiàng)（與偏好的置信度成比例），以提高有益性。

隨著模型的訓(xùn)練和改進(jìn)，數(shù)據(jù)對模型輸出的一致性評價越來越高

訓(xùn)練的獎勵模型在評估中表現(xiàn)優(yōu)于使用GPT-4生成的獎勵模型提示。

圖表顯示，獎勵模型的準(zhǔn)確性隨著時間的推移有所提高。值得注意的是，盡管OpenAssistant獎勵模型可能沒有得到高度認(rèn)可，但是GPT-4作為獎勵模型的性能表現(xiàn)為其他模型提供了基準(zhǔn)。

meta在討論微調(diào)結(jié)果時提到，獎勵模型的準(zhǔn)確性是Llama2-Chat性能的關(guān)鍵指標(biāo)。這符合人們對RLHF會充分利用獎勵模型知識的理解。

RLHF和微調(diào)

meta通過使用RLHF方法來提升模型性能，如下圖所示使用最優(yōu)秀的獎勵模型來評估各種模型，以此展示RLHF如何將生成的文本推向更高的獎勵。meta迭代訓(xùn)練了5個RLHF版本，每個版本的數(shù)據(jù)分布都有所改進(jìn)。

meta指出，第三方的SFT（有監(jiān)督微調(diào)）數(shù)據(jù)多樣性和質(zhì)量往往不足以滿足對話式指令的LLM對齊需求。meta通過篩選第三方數(shù)據(jù)集中的高質(zhì)量示例，顯著提高了結(jié)果。他們也強(qiáng)調(diào)了注釋數(shù)據(jù)的數(shù)量對于再現(xiàn)性的重要性。

meta觀察到，不同的注釋平臺和供應(yīng)商可能會導(dǎo)致模型性能的顯著差異，因此在使用供應(yīng)商獲取注釋時，數(shù)據(jù)檢查仍然非常重要。他們的做法是通過對比人類注釋和模型生成的樣本來驗(yàn)證數(shù)據(jù)質(zhì)量。

在數(shù)據(jù)質(zhì)量確立之后，meta開始關(guān)注強(qiáng)化學(xué)習(xí)（RL）部分。他們發(fā)現(xiàn)，即使有熟練的注釋員，每個人的寫作風(fēng)格也會有很大的差異。一個在SFT注釋上進(jìn)行微調(diào)的模型會學(xué)習(xí)這種多樣性，但同時也會學(xué)習(xí)到一些糟糕的注釋。他們指出，模型的性能是由技巧最好的注釋者的寫作能力來限制的。

meta確實(shí)承認(rèn)，這個過程需要大量的計(jì)算和注釋資源。在整個RLHF階段，獎勵建模數(shù)據(jù)對于模型改進(jìn)至關(guān)重要。

結(jié)論是，有效的RLHF需要一個中等大小的團(tuán)隊(duì)。雖然一個1-3人的團(tuán)隊(duì)可以發(fā)布一個好的指令模型，但實(shí)行RLHF可能需要至少6-10人。這個數(shù)字會隨著時間的推移而減小，但這種類型的工作需要與外部公司簽訂合同和保持緊密的聯(lián)系，這總是會耗費(fèi)一些時間。

此外，meta對比了方法間的基本差異以及它們的使用時機(jī):

拒絕抽樣（RS）進(jìn)行更廣泛的搜索(每個提示生成更多的數(shù)據(jù))，而PPO則對獎勵模型進(jìn)行更多的更新。

最終方法之間的差異并不顯著（與WebGPT的發(fā)現(xiàn)相似）。

在RLHFV4中，僅使用了拒絕抽樣，然后在最后一步中使用PPO和拒絕抽樣進(jìn)行微調(diào)（在一些評估中，PPO有輕微的優(yōu)勢）。

評估

論文以多種方式評估他們的模型。在自動化基準(zhǔn)測試中，例如Open LLM Leaderboard（MMLU，ARC等）的首字母縮略詞，Llama2在所有規(guī)模上都比其他任何開源模型要好得多。

模型在諸如MMLU這樣的不那么顯眼的基準(zhǔn)測試中也得分更高，這是因?yàn)樗麄兊拇罅繑?shù)據(jù)工作和RLHF的調(diào)整。然而，他們的模型在與閉源模型的比較中并未表現(xiàn)出色。

此外，論文還深入研究了當(dāng)前流行的評估技術(shù)，人類注釋者和LLM-as-a-judge由于其普遍性和可用性而受到歡迎。盡管人類評估可能受到一些限制和主觀性的影響，但結(jié)果顯示了meta在開源領(lǐng)域的主導(dǎo)地位。

他們采用了模型作為評判的技術(shù)，并用Elo圖展示了RLHF這個隨時間變化的概念，這與Anthropic的AI工作類似。在性能上，他們的模型在RLHFv3之后超過了ChatGPT，這可以在圖中看到PPO方法提供了一定的提升:

這篇論文進(jìn)行了多項(xiàng)評估以展示其一般性能力，包括建立獎勵模型。獎勵模型的測試亮點(diǎn):

調(diào)整獎勵模型分?jǐn)?shù)以適應(yīng)人類評價者的偏好評估，盡管誤差范圍較大。

與在開源數(shù)據(jù)集上訓(xùn)練的獎勵模型進(jìn)行比較，以展示開源領(lǐng)域的可能實(shí)現(xiàn)。

人類/模型評估的亮點(diǎn):

在ChatGPT和Llama-2-Chat的輸出上評估模型，避免模型因風(fēng)格偏好而提高自身結(jié)果。

利用評價者間可靠性度量，如Gwet的AC1/2，這些統(tǒng)計(jì)工具為此項(xiàng)工作專門設(shè)計(jì)。

承認(rèn)人類評估的限制，包括大型評估提示集未覆蓋所有實(shí)際應(yīng)用，缺少對編碼/推理的評估，只評估最后的對話輪次。

最后，附上Llama2的在線測試地址:

https://huggingface.co/spaces/ysharma/Explore_llamav2_with_TGI?continueFlag=749dd0fc30bb1d0718aaa9576af51980

參考文獻(xiàn)

Llama 2 was just announced, so I built an app for everyone to test it out, for free! ??

Built with @replit and @replicatehq .

I really like this model so far, especially for reasoning.

Thanks @ylecun pic.twitter.com/mIU6JmFBST

— Pietro Schirano (@skirano) July 18, 2023

https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard

https://www.interconnects.ai/p/llama-2-from-meta?utm_source=profile&utm_medium=reader2