卷友们好，我是rumor。

通义千问昨天放出了14b参数的模型，还有一份比较详尽的技术报告，包含作者们训练8个模型的宝贵经验。

同时他们开源的13B比起开源的SOTA也有不少提升：

今天我们就来一起白嫖，更多细节请移步原文：

https://qianwen-res.oss-cn-beijing.aliyuncs.com/QWEN_TECHNICAL_REPORT.pdf


预训练

数据

• 过了3T token，超过了Baichuan2的2.6T，（大概率）是目前中文社区过了最多语料的开源模型
• 提升多样性：数据归一化、MinHash和LSH去重
• 提升质量：通过规则和分类器，给样本打标，包括语言、质量分、有害内容等；随机抽样再进行review；对高质量数据源进行上采样

Tokenization

• BPE，开源tiktoken的实现
• 把数字切成digit
• 最终词表152k，压缩比优于llama、Baichuan、ChatGLM等，但未跟llama2、Baichuan2对比

模型结构

• 本来LM里为了节省内存，词表大小的embedding层和输出的预测层是权重共享的，千问为提升效果取消了embedding和output的权重共享
• 采用RoPE[1]，为了提升精度和表现，inverse frequency矩阵采用FP32
• 参考PaLM，去掉了大部分层的bias计算，但为了提升外推能力，保留了QKV计算时的bias
• 把Pre-Norm换成了RMSNorm，免去了均值的计算，主要是提升效率，效果差不多
• 激活函数用SwiGLU，为了保证参数量不变，缩小了FFN的维度
• 对于外推，提出了一种dynamic NTK-aware[2]的插值方法，可以避免效果下降
• 在attention计算时使用LogN-Scaling，根据上下文长度调整点乘，保证注意力的熵在上下文长度增加时也保持稳定，同时能提升外推表现。公式如下，完整的讲解请移步苏神博客[3]

• 

• 采用window attention，只在一段窗口内做注意力计算，减少计算量。同时发现较低的层对上下文长度更敏感，因此用更短的窗口

精调

• 数据质量上，去除了只用prompt模版构造的数据，在人类风格的对话上精调
• 采用了ChatML的格式，让模型可以区分角色和多轮

[
 {"token": "<|im_start|>"},
 "systemnYou are ChatGPT, a large language model trained by OpenAI. Answer as concisely as possible.nKnowledge cutoff: 2021-09-01nCurrent date: 2023-03-01",
 {"token": "<|im_end|>"}, "n", {"token": "<|im_start|>"},
 "usernHow are you",
 {"token": "<|im_end|>"}, "n", {"token": "<|im_start|>"},
 "assistantnI am doing well!",
 {"token": "<|im_end|>"}, "n", {"token": "<|im_start|>"},
 "usernHow are you now?",
 {"token": "<|im_end|>"}, "n"
]

• 过了128*4000step数据，但没说过了多少epoch，这样算最多51万精调数据

强化

RM

• 参考Anthropic[4]，先在较糙的数据上预训练RM（StackExchange、Reddit等），再用质量好的数据精调
• 训练数据的prompt体系做的很全，6600个标签，确保多样性和复杂度
• 回复的多样性提升可以降低标注难度、提升RM表现
• 获取句子打分时加了一个pooling层，正常都是直接取最后一个token的表示，直接影射到scalar，这里千问并没说是加的怎样的pooling
• 训1个epoch

RL

• critic model warmup 50，百川也是相同的做法
• RL训练阶段每个query采样两个答案，作者说这样效率会更高（意思是这两个答案都会计算奖励值然后强化？）
• 用running mean进行奖励归一化
• value loss clipping，提升RL稳定性
• actor 采样top-p=0.9，发现可以提升评估效果
• 用ptx loss来缓解对齐税，用的预训练数据需要比RL数据多很多，但不好调节，系数大了影响对齐，小了又没效果

最终，在300条评估集上，RLHF后的模型在知识、理解、写作、Math、Coding都有提升，有的能力提升还挺大（颜色由深到浅分别是wins、ties、losses）：

Code模型

• 为了保证作为助理的能力，选择以文本预训练模型为基座，用代码和文本联合继续训练
• 提升数据来源多样性很重要
• 窗口扩到8192
• 又训了90b的数据，得到CODE-QWEN

Math模型

• 数学题目一般较短，用1024长度训，提升训练速度
• 在SFT精调时，mask掉题目中的条件和数字等无意义的词，可以加速收敛（问题来了，本来SFT不就是要mask输入的吗？）

划重点就到这里，欢迎卷友们一起在评论区讨论～

参考资料

[1]

Roformer: Enhanced transformer with rotary position embedding: https://arxiv.org/abs/2104.09864

[2]

YaRN: Efficient context window extension of large language models: https://arxiv.org/abs/2309.00071

[3]

从熵不变性看Attention的Scale操作: https://kexue.fm/archives/8823

[4]

Training a helpful and harmless assistant with reinforcement learning from human feedback: https://arxiv.org/pdf/2204.05862.pdf

我是朋克又极客的AI算法小姐姐rumor北航本硕，NLP算法工程师，谷歌开发者专家欢迎关注我，带你学习带你肝一起在人工智能时代旋转跳跃眨巴眼

「希望GPT4学习一下我国的技术报告」