Llama3.1技术报告简要解读--附PDF

泽也AI

已于 2024-09-19 12:47:56 修改

阅读量3.7k

点赞数 15

文章标签： transformer chatgpt 深度学习人工智能 llama

于 2024-07-29 00:44:45 首次发布

本文链接：https://blog.csdn.net/weixin_45965387/article/details/140675122

版权

以为前些天是在炒作llama3.1泄露，没想到Meta在24号凌晨直接开源了，包括三个不同参数规模的模型（8B、70B、405B），三个模型上下文长度都是128K，其中超大杯拥有4050亿参数，从评测指标来看必是最强开源模型了，在闭源模型中也属于第一梯队，与 GPT-4/Claude 3.5 同级。(其实405B模型对于中小企业来说最大的价值是蒸馏了，根本跑不动)

加载模型检查点所需的 GPU VRAM

KVcache占用

KV cache

在这里插入图片描述

Hugging Face下载链接：https://huggingface.co/collections/meta-llama/llama-31-669fc079a0c406a149a5738f
Meta官网下载链接：https://llama.meta.com/

小扎前段时间还说可能未来不会开源模型了，当时我以为LLM开源黄昏了，没想到现在直接来波王炸，还给写了一封"关于为什么他相信开源是前进的道路"的信，这波直接respect好吧。

Meta还发布了一本 92 页的 PDF技术报告，详细介绍了该模型。技术报告以及谷歌翻译后的中文版都放在文末链接了，有需要自取。

下面就对技术报告简单总结一下，还是推荐大家自己读一下，里面细节多（有挺多trick），毕竟这可是顶级企业花费巨大代价才有的经验，还免费共享出来，不学一波可说不过去了(这不白嫖)。

推上面Daniel Han大佬将该模型相较于以前Llama的变化总结为一张图：

在这里插入图片描述

张俊林画的模型结构图

简要概述：

大而好：405B参数直接对标GPT4 (Scaling law)
中杯(8B)和大杯(70B)的上下文直接干到128K了，超过目前同类参数模型一个等级。
15T的Token，强调数据的重要性！！！包括数据准备、数据处理、数据清洗、数据构造，数据配比等等，数据是基石，决定模型上限。

文章的整个格式

文章目录

训练语料的整理和筛选

训练语料里面95%都是英文，支持8种语言的多语言输入输出，包括英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。(中文能力弱，等一波大佬们微调出来llama3.1-chinese)
知识截止到2023年12月，确保了模型知识的时效性。
8K token 的上下文窗口，在持续预训练阶段上下文窗口增加至128K

数据准备、数据处理：

PII (个人可识别信息)和安全过滤，删除能包含不安全内容或大量 PII 的网站和成人内容（脱敏、去黄）。
自定义 HTML 解析器，维护数学和代码内容的结构 (工程)。
在 URL 级别、文档级别和行级别执行重复数据删除，目的是保留最新数据版本（去重）。
使用启发式过滤(n-gram算法、Kullback-Leibler)，去除额外的低质量文档、异常值和重复过多的文档（清洗)。
各种基于模型的质量分类器来分选高质量的标记，比如说基于 fasttext 的模型将文档分类为 176 种语言（清洗）。

数据组合的缩放定律

在一个数据组合上训练几个小模型，并以此来预测一个大模型在该数据组合上的性能（常规操作）。

数据比例：

做细粒度的打标签工作，然后根据标签采样，配不同的量，最终敲定：50% 通用数据, 25% 数理数据, 17% 代码数据, 8%多语言数据。

数据退火Annealing Data：

作者发现在大模型训练的最后阶段，用高质量的数据学习能提高性能。于是在最后40B数据上，作者逐渐将学习率衰减到0。并且发现，数据退火方法，可以用来筛数据，量少，效果明显，实验更高效。这招对405B模型不怎么起作用，但是对8B小模型在逻辑代码能力方面有明显提升。

模型架构

在这里插入图片描述

模型架构与 llama 和 llama-2 大体相同，进行了细微的改动，没选择MoE混合专家模型，官方说是以最大限度地提高训练稳定性。
与之前的 Llama 版本相比，提高了用于训练前和训练后的数据的数量和质量。（数据决定上限）。
采用了迭代的post-training，其中每一轮使用supervised fine-tuning (SFT) 和 direct preference ptimization (DPO)。这样能够为每个回合创建最高质量的合成数据，并提高每个能力的性能。
采用 8 KV 头分组查询注意力（GQA）技术，提高了推理的可扩展性。
RoPE 超参增加至 500000。
注意力掩码可防止同一序列中不同文档之间的自注意力。
128K 词汇量（100K 来自 tiktoken，28K 额外词汇用于除英语以外的语言）。
126 层、128 个注意力头和 16384 嵌入大小。

确定模型大小的相应比例法则(解释为什么选择405B)

在这里插入图片描述
FLOPs是一个衡量计算性能的指标，它表示计算机每秒可以执行的浮点运算次数。

在机器学习和深度学习中，FLOPs通常用来估计一个模型或算法在给定硬件上运行所需的计算资源。
一个模型的FLOPs越高，意味着它需要更多的计算资源，可能需要更长的时间来训练或推理。

Normalized NLL per Character是一种评估语言模型性能的指标，特别是在序列生成任务中，如机器翻译或文本生成。

NLL，即负对数似然，是衡量模型预测概率分布与实际观测数据之间差异的一种方法。在语言模型中，NLL通常用来衡量模型生成文本的准确性。
将NLL除以序列中字符的数量，得到的就是Normalized NLL per Character，这个指标可以提供一个更公平的比较基准，特别是在不同长度的序列之间。

FLOPs关注的是模型的计算需求，而Normalized NLL per Character关注的是模型在特定任务上的性能表现。FLOPs是一个硬件相关的指标，而Normalized NLL per Character是一个模型性能的指标。

Meta 实施了两阶段方法来开发能够准确预测下游基准性能的缩放法则：首先建立计算最优模型在下游任务上的负对数似然与训练FLOPs之间的相关性；(这样可以了解模型在不同计算资源下的性能表现。如果一个模型需要大量的FLOPs但NLL降低不多，这可能意味着进一步增加计算资源的边际效益在减少)

接下来，利用缩放法则模型和使用更高计算FLOPs训练的旧模型，将下游任务上的负对数似然与任务准确性相关联。

AI Infra

Llama 3 405B 使用 Meta 的 Grand Teton AI 服务器平台，在多达16000张H100 GPU 上进行训练，每个GPU的运行功耗为700W TDP，配备80G HBM3，累计使用了3930万GPU小时的计算时间。
Tectonic，Meta 内部的分布式文件系统用于存储，240PB，7500 个 SSD ，吞吐量从 2TB/s 到 7TB/s
拓扑结构基于 RoCE 的 AI 集群由 24K GPU 组成，单口400Gb/s，通过三层网络连接

模型并行策略：并行维度的顺序【张量并行TP、上下文并行CP、流水线并行PP、数据并行DP】
在这里插入图片描述
张量并行将单个权重张量分割成不同设备上的多块。流水线并行将模型按层纵向划分为多个阶段，这样不同的设备可以并行处理整个模型流水线的不同阶段。上下文并行将输入上下文分为若干段，从而减少了超长序列长度输入的内存瓶颈。数据并行将模型、优化器和梯度分片，同时实现数据并行，在多个 GPU上并行处理数据，并在每个训练步骤后同步。

在Llama 3 405B模型54天的预训练期间，总共发生了419次意外中断，平均每天挂9次，可见各种优化手段上了依旧难搞定，万卡这盘棋不好操啊哈哈。

主要原因包括:
1、GPU故障: 148次 (30.1%)
2、GPU HBM3内存: 72次 (17.2%)
3、软件Bug: 54次 (12.9%)
4、网络交换机/线缆: 35次 (8.4%)
5、主机维护: 32次 (7.6%)
6、GPU SRAM内存: 19次 (4.5%)
7、GPU系统处理器: 17次 (4.1%)
8、NIC: 7次 (1.7%)
9、NCCL看门狗超时: 7次 (1.7%)
10、静默数据损坏: 6次 (1.4%)
11、GPU热接口+传感器: 6次 (1.4%)

预训练

预训练 Llama 3 405B 的方法包括三个主要阶段：(1) 初始预训练；(2) 长语境预训练；(3) 退火。

(1) 使用的初始批量大小为400 万个令牌和长度为4096的序列，在预训练2.52亿个令牌后，将这些值加倍到800万个序列和8192个令牌的批量大小。在对2.87T标记进行预训练后，我们再次将批量大小翻倍至1600万。损失峰值很少，而且不需要干预来纠正模型训练的偏差。

(2) 分六个阶段逐步增加上下文长度，从最初的 8K 上下文窗口开始，到最终的 128K 上下文窗口结束。这一长语境预训练阶段使用了大约800B 个训练标记。

(3) 在对最终 4000 万个词组进行预训练期间，学习率线性退火为 0，并保持 128K 词组的上下文长度。在退火阶段，对质量非常高的数据源进行了上采样；最后计算退火过程中模型检查点的平均值生成最终的预训练模型。

Post-Training

在这里插入图片描述
后期训练策略包括拒绝采样、监督微调和直接偏好优化。在人工标注的偏好数据上训练奖励模型（RM，和llama2差不多，只是去掉了损失的边界值），然后进行 SFT 和 DPO。每一轮后训练都包括监督微调（SFT），然后是直接偏好优化（DPO），训练数据是通过人类标志或模型合成数据（主要是生成的数据）。

聊天对话格式：为了配合Agent中Tools的使用 (在一个对话回合中，它们会被发送到不同的位置（如用户、ipython)，定义了一个聊天对话协议，使用各种特殊的头标记和终止标记。头标记用于指示对话中每条信息的来源和目的地。终止标记用于指示何时是人类和人工智能交替发言的时间。
奖励模型：奖励模型用于对人工标注的提示进行拒绝采样。对于奖励模型，训练目标是相同的，只是由于收益递减而删除了损失中的边际项。每个偏好排序样本都有两到三个响应，排序如下：已编辑 > 选择 > 拒绝。
监督微调：使用标准交叉熵损失（同时屏蔽提示标记上的损失）对预训练语言模型进行微调。在405B模型 8.5K 到 9K 步的过程中以 1e-5 的学习率进行微调。
直接偏好优化DPO：至于为什么没用PPO，官方说发现 DPO 对大规模模型的计算要求更低，而且性能更好。还对 DPO 算法进行了如下修改：1.屏蔽 DPO 损失中的格式标记：屏蔽了诸如头和终止token之类的特殊token，以稳定训练。这些token的存在（无论是在接受的响应中还是在拒绝的响应中）都会导致学习目标发生冲突。2.负对数似然损失正则化：对所选序列应用额外的负对数似然 (NLL) 损失项，其缩放系数为 0.2
数据：使用了超过2500万个合成样本进行指令微调，进一步提升了模型的表现。

总结一下：关键还是数据，尽管可见Meta在各个部分都做了各自Trick，但基础还是优质数据，同时也说明了合成数据的重要性。

Meta的AI研究科学家Thomas Scialom在播客中分享了Llama 3.1的研发思路，并展望了Llama 4的更新方向。Llama 3.1扩展至405B参数规模，以平衡推理效率与硬件约束，增加训练token数和时长，使模型达到“过度训练”状态。Scialom指出，Transformer架构缺乏灵活性，未来可能会有更多改进。Llama 3.1完全依赖Llama 2的高质量合成数据进行训练，他对合成数据的潜力表示看好。在评估方法上，他们尝试了多种方法，包括奖励模型、model-as-a-judge和多样化的提示。Meta已开始训练Llama 4模型，重点放在agent技术上，强调优质指令模型对agent能力的重要性。