LLaMA Factory 是一个高效、易用、可扩展的开源大模型高效训练框架,在GitHub开源社区获得超过25000关注,得到多家国内外企业的关注或落地应用。
Paper:LlamaFactory: Unified Efficient Fine-Tuning of 100+ Language Models
Abs:http://arxiv.org/abs/2403.13372
Code:https://github.com/hiyouga/LLaMA-Factory
项目特色
- • 多种模型:LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan**、ChatGLM、Phi 等等。
- • 集成方法:(增量)预训练、(多模态)指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。
- • 多种精度:16 比特全参数微调、冻结微调、LoRA** 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。
- • 先进算法:GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ**、PiSSA 和 Agent 微调。
- • 实用技巧:FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。
- • 实验监控:LlamaBoard、TensorBoard、Wandb、MLflow 等等。
- • 极速推理:基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。
性能指标
与 ChatGLM 官方的 P-Tuning[1] 微调相比,LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比,同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术,LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。
支持模型
模型名 | 模型大小 | Template |
---|---|---|
Baichuan 2[2] | 7B/13B | baichuan2 |
BLOOM/BLOOMZ[3] | 560M/1.1B/1.7B/3B/7.1B/176B | - |
ChatGLM3[4] | 6B | chatglm3 |
Command R[5] | 35B/104B | cohere |
DeepSeek (Code/MoE)[6] | 7B/16B/67B/236B | deepseek |
Falcon[7] | 7B/11B/40B/180B | falcon |
Gemma/Gemma 2/CodeGemma[8] | 2B/7B/9B/27B | gemma |
GLM-4[9] | 9B | glm4 |
InternLM2[10] | 7B/20B | intern2 |
Llama[11] | 7B/13B/33B/65B | - |
Llama 2[12] | 7B/13B/70B | llama2 |
Llama 3[13] | 8B/70B | llama3 |
LLaVA-1.5[14] | 7B/13B | vicuna |
Mistral/Mixtral[15] | 7B/8x7B/8x22B | mistral |
OLMo[16] | 1B/7B | - |
PaliGemma[17] | 3B | gemma |
Phi-1.5/Phi-2[18] | 1.3B/2.7B | - |
Phi-3[19] | 4B/7B/14B | phi |
Qwen/Qwen1.5/Qwen2 (Code/MoE)[20] | 0.5B/1.5B/4B/7B/14B/32B/72B/110B | qwen |
StarCoder 2[21] | 3B/7B/15B | - |
XVERSE[22] | 7B/13B/65B | xverse |
Yi/Yi-1.5[23] | 6B/9B/34B | yi |
Yi-VL[24] | 6B/34B | yi_vl |
Yuan 2[25] | 2B/51B/102B | yuan |
支持的训练方法
方法 | 全参数训练 | 部分参数训练 | LoRA | QLoRA |
---|---|---|---|---|
预训练 | ✅ | ✅ | ✅ | ✅ |
指令监督微调 | ✅ | ✅ | ✅ | ✅ |
奖励模型训练 | ✅ | ✅ | ✅ | ✅ |
PPO 训练 | ✅ | ✅ | ✅ | ✅ |
DPO 训练 | ✅ | ✅ | ✅ | ✅ |
KTO 训练 | ✅ | ✅ | ✅ | ✅ |
ORPO 训练 | ✅ | ✅ | ✅ | ✅ |
SimPO 训练 | ✅ | ✅ | ✅ | ✅ |
提纲:
1、大模型高效训练现状
2、LLaMA Factory 的构建动机与组成模块
- 上百种大模型的全栈微调适配原理
- LoRA算子优化加速方法
- 多种微调Trick集成思路
3、LLaMA Factory 部署实践
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
事实上,抢你饭碗的不是AI,而是会利用AI的人。
继科大讯飞、阿里、华为
等巨头公司发布AI产品后,很多中小企业也陆续进场!超高年薪,挖掘AI大模型人才! 如今大厂老板们,也更倾向于会AI的人,普通程序员,还有应对的机会吗?
与其焦虑……
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点,那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集,涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
LLM大模型学习路线 ↓
阶段1:AI大模型时代的基础理解
-
目标:了解AI大模型的基本概念、发展历程和核心原理。
-
内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
-
目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
-
内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓