【大模型】开源大模型汇总以及微调策略

前言

自从ChatGPT出世以来，各个大厂/研究院都纷纷推出自己的大模型，大模型领域发展一日千里。随着“百模大战”热度的降低，有必要梳理一下目前主流的大模型以及其变种模型，为大家梳理一下当前开源模型的工作。

LLaMA

GitHub地址：
https://github.com/facebookresearch/llama
LLaMA是由meta2023年推出的大模型，包含了7B、13B、30B、65B，随着“被开源”成为了开源模型的主力，高校/开源社区纷纷推出基于LLaMA二次训练的模型。

stanford Alpaca

GitHub地址：
https://github.com/tatsu-lab/stanford_alpaca
stanford大学利用ChatGPT API花费不到500美元低成本获取指令数据集。

Guanaco

GitHub地址：
https://github.com/Guanaco-Model/Guanaco-Model.github.io
Guanaco是一个基于Meta的LLaMA 7B模型构建的高级指令遵循语言模型。在 Alpaca 模型最初的 52K 数据集的基础上，又合并了 534,530 个条目，涵盖英语、简体中文、繁体中文（台湾）、繁体中文（香港）、日语、德语以及各种语言和语法任务。这些丰富的数据使Guanaco能够在多语言环境中表现出色。

Vicuna

GitHub地址：
https://github.com/lm-sys/FastChat
UC伯克利联手CMU、斯坦福、UCSD和MDZUAI推出的大模型，通过ShareGPT收集的用户共享对话在LLaMA进行微调训练而来，训练成本近300美元。
一般来说，vicuna不能直接获取，需要LLaMA原模型权重和delate权重合并获取，由于LLaMA原权重下载不是很方便，所以我上传了合并后的模型权重。
https://huggingface.co/ls291/vicuna-13b-v1.1

Chinese-LLaMA-Alpaca

GitHub地址：
https://github.com/ymcui/Chinese-LLaMA-Alpaca
该项目开源了中文LLaMA模型和指令精调的Alpaca大模型。这些模型在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。

Chinese-Vicuna

GitHub地址：
https://github.com/Facico/Chinese-Vicuna
鉴于llama,alpaca,guanaco等羊驼模型的研发成功，我们希望基于LLaMA+instruction数据构建一个中文的羊驼模型，并帮助大家能快速学会使用引入自己的数据，并训练出属于自己的小羊驼（Vicuna）

Luotuo-Chinese

GitHub地址：
https://github.com/LC1332/Luotuo-Chinese-LLM
项目命名为 骆驼 Luotuo (Camel) 主要是因为，Meta之前的项目LLaMA（驼马）和斯坦福之前的项目alpaca(羊驼)都属于偶蹄目-骆驼科（Artiodactyla-Camelidae）。而且骆驼科只有三个属，再不起这名字就来不及了。
基于各个大模型做的二次衍生开发，开发项目如下：

Falcon

HF地址：
https://huggingface.co/tiiuae
是阿联酋大学推出的，最大的是40B，在AWS上384个GPU上，使用了1万亿的token训练了两个月。

由于是最近开源的模型，二次衍生的模型较少。

OpenBuddy-Falcon

HF地址：
https://huggingface.co/OpenBuddy
详细信息请见：
https://mp.weixin.qq.com/s/VimLdVmZ27t4S8_C0Jlzjg

ChatGLM && VisualGLM

GitHub地址：
https://github.com/THUDM/ChatGLM-6B
是由智源和清华大学联合开发，释放出ChatGLM-6B，目前是较为主流的中文大模型。
VisualGLM是基于ChatGLM-6B+BLIP2模型联合训练得到多模态大模型。

MOSS

GitHub地址：
https://github.com/OpenLMLab/MOSS
由复旦大学开发，释放了MOSS-16B模型以及8-bit和4-bit量化模型，同时开源了训练数据

Aquila

GitHub地址：
https://github.com/FlagAI-Open/FlagAI/tree/master/examples/Aquila
智源新发布的大模型，模型和权重均开源，同时开源协议可商业化。
Aquila语言大模型在技术上继承了GPT-3、LLaMA等的架构设计优点，替换了一批更高效的底层算子实现、重新设计实现了中英双语的tokenizer，升级了BMTrain并行训练方法，在Aquila的训练过程中实现了比Magtron+DeepSpeed zero-2将近８倍的训练效率。Aquila语言大模型是在中英文高质量语料基础上从０开始训练的，通过数据质量的控制、多种训练的优化方法，实现在更小的数据集、更短的训练时间，获得比其它开源模型更优的性能。

PandaGPT

GitHub地址：
https://github.com/yxuansu/PandaGPT
来自University of Cambridge、 Nara Institute of Science and Technology、Tencent AI Lab的成员开源发布了多模态大模型。该大模型能够接收文本、图像、语音模态，并可进行模态之间转换。

TigerBot

GitHub地址：
https://github.com/TigerResearch/TigerBot
由虎博科技基于BLOOM模型开发的大语言模型，在BLOOM模型架构和算法上做了如下优化：

1. 指令完成监督微调的创新算法以获得更好的可学习型(learnability)，
2. 运用 ensemble 和 probabilistic modeling 的方法实现更可控的事实性(factuality)和创造性(generativeness)，
3. 在并行训练上，我们突破了 deep-speed 等主流框架中若干内存和通信问题，
4. 对中文语言的更不规则的分布，从 tokenizer 到训练算法上做了更适合的算法优化。

模型微调策略

LoRA

GitHub地址：
https://github.com/huggingface/peft

Lora主要在模型中注入可训练模块，大模型在预训练完收敛之后模型包含许多进行矩阵乘法的稠密层，这些层通常是满秩的，在微调过程中其实改变量是比较小的，在矩阵乘法中表现为低秩的改变，注入可训练层的目的是想下游微调的低秩改变由可训练层来学习，冻结模型其他部分，大大减少模型训练参数。

QLORA

GitHub地址：
https://github.com/artidoro/qlora

QLORA通过冻结的4位量化预训练语言模型向低秩适配器(LoRA)反向传播梯度。

P-tuningv2

GitHub地址：
https://github.com/THUDM/ChatGLM-6B/tree/main/ptuning

p-tuning v2简单来说其实是soft prompt的一种改进，soft prompt是只作用在embedding层中，实际测试下来只作用在embedding层的话交互能力会变弱，而且冻结模型所有参数去学习插入token，改变量偏小使得效果有时候不太稳定，会差于微调。p tuning v2则不只是针对embedding层，而是将连续型token插入每一层，增大改变量和交互性。