文｜

前言

近期，成为了全网热议的话题。是一种基于大规模语言模型技术（LLM， large model）实现的人机对话工具。但是，如果我们想要训练自己的大规模语言模型，有哪些公开的资源可以提供帮助呢？在这个项目中，人民大学的老师同学们从模型参数（）、语料和代码库三个方面，为大家整理并介绍这些资源。接下来，让我们一起来看看吧。

资源链接：

论文地址：

模型参数

从已经训练好的模型参数做精调、继续训练，无疑可以极大地降低计算成本。那目前有哪些开源的大模型参数，可以供我们选择呢？

第一类是100~1000亿参数的模型。这类模型除了LLaMA（650亿）之外，参数范围都集中在100~200亿之间。具体而言，包括：LLaMA[1], mT5[2], T0[3], GPT-NeoX-20B[4], [5], UL2[6], Flan-T5[7], mT0[8], PanGu-α[9]。

其中，Flan-T5经过 的训练；专注于代码生成；mT0是个跨语言模型；PanGu-α有大模型版本，并且在中文下游任务上表现较好。

第二类是超过1000亿参数规模的模型。这类模型开源的较少，包括：OPT[10], OPT-IML[11], BLOOM[12], [13], GLM[14], [15]。参数规模都在1000亿~2000亿之间。

其中，OPT是专为开源和大模型复现提出的；BLOOM 和 具有跨语言能力；, GLM, 和 OPT-IML都是经过 的。

这些模型参数大多使用几百到上千块显卡训练得到。比如GPT-NeoX-20B（200亿参数）使用了96个A100-SXM4-40GB GPU，LLaMA（650亿参数）使用了2048块A100-80G GPU学习了21天，OPT（1750亿参数）使用了992 A100-80GB GPU，GLM（1300亿参数）使用了768块DGX-A100-40G GPU训练了60天。

除了这些可供公开下载参数的模型之外，还提供在他们的服务器上精调GPT-3模型的服务，可以选择的初始模型参数包括（GPT-3 1B）, curie（GPT-3 6.7B）和 （GPT-3 175B）。

上图中，标黄的模型均为开源模型。

语料

训练大规模语言模型，训练语料不可或缺。主要的开源语料可以分成5类：书籍、网页爬取、社交媒体平台、百科、代码。

书籍语料包括：[16] 和 [17]，分别包含1.1万和7万本书籍。前者在GPT-2等小模型中使用较多，而MT-NLG 和 LLaMA等大模型均使用了后者作为训练语料。

模型训练和推理的区别_模型训练过程_chatgpt模型如何训练

最常用的网页爬取语料是[18]。不过该语料虽然很大，但质量较差。大模型大多采用从其中筛选得到的子集用于训练。常用的4个子集包括：C4[19], CC-, CC-News[20], 和 [21]。CC-的原版现在已不提供下载，一个替代选项是CC–R[22]。

社交媒体平台语料主要获取自平台。包含了平台上的高赞内容，然而现在已经不提供下载，现在可以用[23]替代。此外，.io[24]提供了一个实时更新的的全部内容。

百科语料就是维基百科（[25]）的下载数据。该语料被广泛地用于多种大语言模型（GPT-3, LaMDA, LLaMA 等），且提供多种语言版本，可用于支持跨语言模型训练。

代码语料主要来自于中的项目，或代码问答社区。开源的代码语料有谷歌的[26]。大语言模型在训练时就使用了的一个子集。

除了这些单一内容来源的语料，还有一些语料集。比如 the Pile[27]合并了22个子集，构建了800GB规模的混合语料。而 ROOTS[28]整合了59种语言的语料，包含1.61TB的文本内容。

上图统计了这些常用的开源语料。目前的预训练模型大多采用多个语料资源合并作为训练数据。比如GPT-3使用了5个来源3000亿token（word piece）,包含开源语料, 和非开源语料（，, ）。

代码库

使用代码库，可以帮助你快速搭建模型结构，而不用一个个矩阵乘法地搭建结构。具体而言，包括以下7个：

[29]是 Face构建的用来快速实现结构的库。同时也提供数据集处理与评价等相关功能。应用广泛，社区活跃。

[30]是一个微软构建的基于的库。GPT-Neo，BLOOM等模型均是基于该库开发。提供了多种分布式优化工具，如ZeRO， 等。

-LM[31]是构建的一个基于的大模型训练工具，并提供一些用于分布式计算的工具如模型与数据并行、混合精度训练，与 等。

JAX[32]是 Brain构建的一个工具，支持GPU与TPU，并且提供了即时编译加速与自动等功能。

-AI[33]是基于JAX开发的一个大模型训练工具，支持并行化与混合精度训练。最近有一个基于LLaMA训练的对话应用就是基于该工具构建的。

[34] 是 开发的一个大模型训练工具，强调代码简化，低资源与高可用性。在其中，已经构建好如Flan-T5 与 GLM等模型结构可供直接使用。

[35] 是一个基于的用于搭建混合专家模型的工具，并支持训练时数据与模型并行。

结束语

通过使用以上提到的模型参数、语料与代码，我们可以极大地方便自己实现大规模语言模型，并搭建出自己的对话工具。但是，尽管数据资源相对容易获取，计算资源却十分稀缺。想要获得足够的显卡资源以训练/调整大规模模型，仍然是一件非常困难的事情。因此，私有化的道路任重而道远。在计算资源相对匮乏的情况下，我们更是要利用好手头的模型参数、语料与代码等资源，以有限的计算量取得最好的表现。