通义千问-Qwen技术报告细节分享

阿里在很早前就开源了Qwen-7B模型，但不知道为什么又下架了。最近阿里又开源了Qwen-14B模型（原来的7B模型也放出来了），同时还放出了Qwen的技术报告内容。今天特此来给大家分享一下。

PS：现在国内的开源大模型也开始陆陆续续的放出了技术报告，都给我卷起来！！！

技术交流

技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。

相关资料、数据、技术交流提升，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：mlc2060，备注：来自CSDN + 技术交流
方式②、微信搜索公众号：机器学习社区，后台回复：加群

Report: https://qianwen-res.oss-cn-beijing.aliyuncs.com/QWEN_TECHNICAL_REPORT.pdf
GitHub: https://github.com/QwenLM/Qwen

技术报告中介绍了整个Qwen系列的模型，有Base模型、RM模型、Chat模型、Code模型、Math模型、多模态模型。由于Code模型和Math模型暂时没有开源，多模态Qwen-VL模型本身有自己的论文，本次分享对三种模型就不做介绍了，感兴趣的同学自行查阅。

先说结论，Qwen-14B模型效果从12个数据集（涉及语言理解、知识、推理等多个领域）上进行均优于现有同等级的13B，但仍落后于GPT-3.5和GPT-4。

预训练

数据

预训练数据共3TB，主要涉及公共网络文档、百科全书、书籍、代码等，数据涉及多语言，但以中文和英文为主。为了保证数据质量，制定了一套全面的预处理程序。

• Web数据需要从HTML中提取文本内容，并采用语言识别工具确定语种；

• 通过重复数据删除技术增加数据的多样性，包括规范化后的精确匹配重复数据删除方法和使用MinHash和LSH算法的模糊重复数据删除方法；

• 结合规则和机器学习的方法过滤低质量数据，即通过多个模型对内容进行评分，包括语言模型、文本质量评分模型以及用于识别潜在冒犯性模型；

• 从各种来源数据中手动采样并进行审查，以确保其质量；

• 有选择地对来自某些来源的数据进行采样，以确保模型在各种高质量内容上进行训练。

Tokenizer

词表大小影响着模型的训练效率和下游任务效果，Qwen采用开源快速BPE分词器-tiktoken，以cl100k为基础词库，增加了常用的中文字词以及其他语言的词汇，并把数字字符串拆成单个数字，最终词表大小为152K。

从不同语言上对比不同模型的压缩率，如下图所示，Qwen在绝大多少语言上都优于LLaMA-7B、Baichuan-7B、ChatGLM-6B、InternLM-7B模型。

PS：不知道为啥没有对比Baichuan2模型。

模型

模型采用Transformer框架，主要做了以下修改：

• Embedding and output projection：对于embedding层和lm_head层不进行权重共享，是两个单独的权重。

• Positional embedding：采用RoPE为位置编码，并选择使用FP32精确度的逆频率矩阵。

• Bias：在QKV注意力层中添加了偏差，以增强模型的外推能力。

• Pre-Norm & RMSNorm：采用预归一化提高训练稳定性，并将传统归一化方法替换为RMSNorm。

• Activation function：采用SwiGLU激活函数，不同于传统FFN的2个矩阵，SwiGLU有三个矩阵，因此缩小了隐藏层维度，由原来的4倍变成8/3倍。

外推能力扩展

Transformer模型的注意力机制在上下文长度上有很大的限制，模型会随着上下文长度的增加，计算成本和内存会成倍增加。Qwen模型利用了简单地非训练计算，在推理过程中扩展上下文长度。

• 动态NTK感知插值，即对序列长度的增加动态缩放位置信息。

• LogN-Scaling，根据上下文长度与训练长度的比率，对Q和V的点积进行重新缩放，确保注意力值的熵随着上下文长度的增长而保持稳定。

• Window attention，将注意力限制在一个上下文窗口内，防止模型关注到太远的内容。并在不同层采用不同的窗口大小，较低的层使用较短的窗口，而较高的层使用较长的窗口。

训练

• 遵循自回归语言建模的标准方法，通过前面Token的内容预测下一个Token；

• 模型预训练时最大长度为2048，为了构建批次数据，对文本内容进行随机打乱及合并，再讲其截断到指定长度。

• 注意力模块采用Flash Attention技术，提高训练速度；

• 优化器采用AdamW，超参数β1、β2和ϵ为别为0.9、0.95和10−8；

• 采用余弦学习率计划，学习率会衰减到峰值的10%；

• 采用BFloat16进行混合精度训练。

预训练效果

QWEN模型再同等级参数下表现优异，即使是更大的型号如LLaMA2-70B，在3个任务中也被QWEN-14B超越。

对齐

有监督微调SFT

为了提高有监督微调数据集的能力，对多种风格的对话进行了标注，来关注不同任务的自然语言生成，进一步提高模型的有用性。并且大小训练方法也会影响模型行了，Qwen采用ChatML样式的格式来进行模型训练。ChatML格式可以使模型有效区分各类信息，包括系统质量、用户输入、模型输出等，可以增强模型对复杂会话的处理分析能力。

• 优化器采用AdamW，超参数β1、β2和ϵ为别为0.9、0.95和1e−8；

• 模型最大输入长度2048；

• 训练批次大小为128；

• 模型共训练4000步，在前1430步中，学习率逐渐增加，达到2e−6的峰值。

• 为了防止过拟合，权重衰减的值设置为0.1，dropout设置为0.1，梯度裁剪的限制为1.0。

RM模型

在奖励模型的构建上，先采用大量数据进行偏好模型预训练（preference model pretraining，PMP），在经过高质量偏好数据进行奖励模型精调。高质量偏好数据通过6600详细标签的分类系统平衡采样获取，为保证数据的多样性和复杂性。

奖励模型时由同等大小Qwen模型+池化层得来，用特殊的句子结束标记映射值作为模型奖励值。

模型在训练过程中，学习率恒为3e−6，批次大小为64，最大长度为2048，训练一个epoch。

强化学习PPO

PPO阶段共包含四个模型：policy模型、value模型、reference模型、reward模型。训练过程中，先对policy模型训练50步预热，这样保证了value模型能够有效地适应不同的奖励模型。在PPO过程中，对每个query会同时采样两个response，KL散度系数设为0.04，并根据平均值对奖励进行归一化处理。

policy模型和value模型的学习率分别为1e−6和5e−6。为了增强训练的稳定性，裁剪值0.15。在进行推理时，生成策略的top-p值设置为0.9。

对齐结果

Qwen的效果优于相同规模的其他开源模型，如LLaMA2、ChatGLM2、InternLM、Baichuan2。

并且构造一个包含广泛主题的测试数据集，用于人工评测，比较了Qwen-7B-Chat（SFT）、Qwen-14B-Chat（SFT）、Qwen-14B-Chat（RLHF）、GPT4在对话上与GPT3.5的差异。可以看出RLHF模型明显优于SFT模型，说明RLHF可以生成更受人类喜爱的回答。

工具使用

Qwen模型具有工具使用能力：

• 可以通过ReAct提示进行使用未见的工具；

• 使用Python解释器增强数学推理、数据分析等能力；

• 作为代理，与人类交互过程中，可以访问HuggingFace中大量多模态模型集合。

PS：高质量数据2000条-React格式数据。

如何用 ReAct Prompting 技术命令千问使用工具
https://github.com/QwenLM/Qwen/blob/main/examples/react_prompt.md

总结

大模型现在已经不仅仅是卷开源了，也开始卷技术报告了~