社区供稿 | QLoRA 增量预训练与指令微调，及汉化 Llama2 的实践

我们探索和实现了一种基于QLoRA的轻量级的增量预训练和指令微调方案，并使用该方法对Llama2-13B进行中文知识迁移，在公开榜单和人工评测中验证了该方法的有效性。该方法可推广至对Baichuan、Qwen、InternLM、Falcon等模型的垂直域增量预训练与指令微调。

在CMMLU榜单上，我们的模型优于Linly、Yayi、FlagAlpha等，与Ziya、Chinese-Alpaca-Plus及其接近。在🤗Open LLM Leaderboard上，我们的模型与Vicuna、Guanaco、Llama2及其接近。

在中文人工评测中，我们的模型以66.15%胜、30.77%平、3.08%负的成绩大幅领先Llama2，以33.08%胜、60.77%平、6.15负的成绩领先Linly。

上述评测结表明了我们的方法能够在提升Llama2的中文能力的基础上，保留Llama2优秀的英文能力。

本文将对该工作进行介绍，我们也开源了模型权重、训练代码、训练数据等，欢迎大家关注和Star⭐️我们的项目。

增量预训练：

https://github.com/yangjianxin1/Firefly-LLaMA2-Chinese

多轮指令微调：

https://github.com/yangjianxin1/Firefly

01

Introduction

Llama系列模型具备非常强大的能力，但因为它主要在英文数据上进行训练，所以它的中文能力相对较弱。并且，Llama模型对中文的编解码效率较低，一个汉字往往会被编码成多个token，降低了训练和推理的速度，变相降低了模型可输入的最大文本长度。

为了解决上述问题，出现了许多中文Llama模型，它们通过对Llama模型进行中文词表扩充、增量预训练和指令微调，以提升Llama模型在中文域的表现。较为典型的模型有Chinese-Alpaca-2、Ziya-Llama、Linly-Llama2等。

Chinese-Alpaca-2对Llama2进行词表扩充、增量预训练(120GB)、指令微调(500万条)，在48*A40 GPU上采用LoRA方案进行训练。Ziya-Llama对Llama进行词表扩充、增量预训练(110B token)、指令微调、RLHF，在160*A100 GPU上进行全量参数训练。Linly-Llama2对Llama2进行词表扩充、混合训练，在32*A100 GPU上进行全量参数训练。

尽管与重头训练相比，上述工作已经节约了非常多训练资源，但仍然需要消耗几十张甚至上百张显卡，对于小公司或者普通玩家仍然遥不可及。为了进一步降低增量预训练的资源消耗，我们探索了一种基于QLoRA的增量预训练方案，并且验证了该方法的有效性。该方法可进一步推广至原生中文模型的增量预训练，例如Baichuan、InternLM、Qwen等。

通过对Llama2模型进行中文词表扩充、增量预训练、指令微调，我们训练并开源了Firefly中文Llama2模型。在增量预训练与指令微调阶段，我们均采用QLoRA技术，最多仅使用了4*V100的GPU，极大地降低了训练门槛。在🤗Open LLM Leaderboard、CMMLU和人工评测中，我们的模型与当前主流的中文Llama模型相比，具有不错的竞争力。

本项目的主要工作如下：

• 📗 对Llama2进行中文词表扩充，提高编解码效率。与原始Llama2相对，中文序列长度减少约54.11%，模型在中文域的最大文本输入长度提升至原来的两倍以上。

• 📗 使用大规模中英文语料进行增量预训练，然后进行多轮指令微调。开源7B和13B的Base和Chat的模型权重。

• 📗 收集、整理并开源训练数据，包括22GB中英文预训练语料，以及多轮指令数据。

• 📗 开源增量预训练、指令微调等全流程代码。支持在主流的开源模型上进行增量预训练和指令微调，如Baichuan2、Baichuan、Llama2、Qwen、Llama、InternLM、Falcon等。

• 📗 对模型进行榜单评测和人工评测。构建人工评测集，包含13种评测任务，对模型进行人工评测。验证了我们的训练方案的有效性。

02

模型 & 数据

我们开源了7B和13B的Base与Chat模型。Base模型是基于Llama2扩充中文词表后增量预训练得到的，Chat模型是在Base模型的基础上进行多轮指令微调得到的。

为了探究基座模型对指令微调的影响，我们也微调了Baichuan2-Base模型，得到Firefly-Baichuan2-13B，在CMMLU榜单上的表现远远优于我们评测的所有中文Llama2模型。

模型
类型
训练任务
训练长度
Firefly-Llama2-7B-Base
基座模型
CLM
1024
Firefly-Llama2-13B-Base基座模型CLM1024Firefly-Llama2-7B-Chat指令模型多轮指令微调
1024Firefly-Llama2-13B-Chat指令模型多轮指令微调1024Firefly-Baichuan2-13B指令模型多轮指令微调1024

本项目使用的数据如下表，其中firefly-pretrain-dataset是我们增量预训练阶段所使用的数据。

数据集描述
firefly-pretrain-datasetFirefly项目整理和使用的22GB预训练数据，主要包含CLUE、ThucNews、CNews、COIG、维基百科等开源数据集，以及我们收集的古诗词、散文、文言文等。
moss-003-sft-data由复旦大学MOSS团队开源的中英文多轮对话数据，包含100万+数据ultrachat由清华大学开源的英文多轮对话数据，包含140万+数据school_math_0.25M由BELLE项目组开源的数学运算指令数据，包含25万条数据。

03

实验详情

在增量预训练与指令微调阶段，我们均采用QLoRA技术，该技术可以大大节省训练资源，并且能够取得优秀的训练效果。

我们的训练流程主要如下：

1. 对Llama2进行中文词表扩充，词表由32000扩展至55296，提高模型在中文的编解码效率。我们沿用了Chinese-LLaMA2-Alpaca-2的词表。

2. 使用22GB中英文语料，对扩充词表后的模型进行增量预训练，采用自回归任务。

3. 使用两百多万条中英文多轮对话指令数据，对增量预训练模型进行指令微调。

对Llama2的词表进行中文扩充后，极大地提高了模型对中文的编解码效率。我们在CNews数据集上对新的tokenizer进行了测试，token数量由2.98亿减少为1.37亿， token数量减少约54.11%。对于中文任务，不仅极大地提高了模型的训练和推理效率，并且使模型的最大输入文本长度提升至原来的两倍以上。

我们将增量预训练数据集命名为firefly-pretrain-dataset，主要包含ThucNews、CLUE、CNews、COIG、维基百科等开源数据集，以及我们收集的古诗词、散文、文言文等。数据分布如下图所示。

指令微调的数据主要包括UltraChat、Moss、school math等数据，对这些数据进行清洗、过滤、采样、合并等操作，最终获得两百多万条数据，原始数据详见Firefly项目。

在整个训练流程中，我们最多仅使用了4*V100 GPU，两个阶段的训练长度均为1024，LoRA rank=64, LoRA alpha=16。在预训练与指令微调阶段，word embedding与lm_head的权重均参与训练。7B与13B模型，最终参与训练的参数量分别约为612.9M和816.6M。指令微调阶段使用Firefly项目的训练代码。

指令微调阶段的训练loss曲线如下图所示，训练loss具有良好的收敛性，13B模型的收敛速度显著优于7B模型。7B和13B模型分别对应粉色和橙色曲线。

04

模型评测

我们分别在🤗Open LLM Leaderboard和CMMLU上对模型的英文和中文能力进行了客观评测，并且在我们构建的人工评测集上进行了人工评测。

🤗Open LLM Leaderboard

在Open LLM Leaderboard上，我们的模型与Vicuna、Guanaco、Llama2等英文模型的表现非常接近，并且比OpenBuddy-v11.1、Yayi、Ziya、Linly等中文Llama模型略胜一筹。这表明我们的方法可以保留Llama2优秀的英文能力。

CMMLU

我们采用OpenCompass工具评测CMMLU，其中*表示评测结果来源于OpenCompass官方榜单或者由模型作者自测的分数。

在CMMLU榜单上，我们的模型的表现优FalgAlpha、Yayi、Linly等中文Llama模型，与Ziya、Chinese-Alpaca-Plus等模型非常接近，与官方的Llama2相比也有所提升。这表明我们的训练方案的有效性。

为了探索基座模型的影响，我们也使用QLoRA技术对Baichaun2-13B-Base进行指令微调，其在CMMLU上的表现大幅领先我们评测的所有中文Llama模型，优于ChatGPT、baichuan-13b-chat等模型，且仅比baichuan2-13b-chat略低1.57分。该对比实验不仅说明了QLoRA训练方案的有效性，也进一步证明了基座模型对下游任务的重要性，优秀的基座模型可以让微调事半功倍。

同为中文Llama2模型，在CMMLU上，Firefly-Llama2-13B-Chat与Chinese-Alpaca-2-13b仍有一定的差距，我们将其归因为增量预训练不够充分。Chinese-Alpaca-2-13B在预训练阶段使用了约120GB数据，而我们收集了约22GB的预训练数据，但并未完全使用，仅消耗了大约2B左右的token。

人工评测

我们构建了人工评测集，其中包含13种评测任务。大部分数据从Belle数据中进行采样和优化。每种任务包含10条数据，一共130条数据。13种任务包含：头脑风暴、分类、Close QA、代码生成、 信息抽取、开放式生成、有害性检验、数学题、阅读理解、Open QA、Rewrite、Summarization、翻译。

评测标准如下：

• 对于同一道题目，对两两模型的生成结果进行比较，存在胜负平三种关系。

• 对于客观题，如果两个模型均回答正确，或均回答错误，则为平局。

• 对于主观题，回答更加详细、真实、细节更丰富，则为获胜。当两者内容正确，并且详细程度非常接近时，或者各有千秋时，可视为平局。

• 在与Llama2官方模型比较时，对于中文题目，如果目标回复为中文，但模型却回复英文，则判为错误。

人工评测结果如下表所示，从评测结果来看，与Linly和Llama2相比，我们的模型存在较大的优势：

获胜

平局

失败

ours VS linly

43(33.08%)

79(60.77%)

8(6.15%)

ours VS llama2

86(66.15%)

40(30.77%)

4(3.08%)

与Llama2-13B-Chat相比，我们的模型具备更强的中文指令遵从能力。

与Linly相比，我们的模型也存在优势。

人工评测的全部结果详见下述共享文档：

https://docs.qq.com/sheet/DU1h1bE1xWG50ZVlI?tab=BB08J2

05

结语

我们探索了一种基于QLoRA的轻量级增量预训练和指令微调方案，并且在公开榜单和人工评测中验证了该方案的有效性。

虽然我们收集了22GB的增量预训练数据，但与动辄上百GB或者上千亿token的其他中文Llama项目相比，仍是相形见绌。并且由于训练资源的问题，在增量预训练阶段，我们并未完全使用这些数据，大约仅消耗了2B token。

在模型词表扩充的情况下，这会导致新增的词向量训练不够充分，但最终的评测结果仍足以表明我们的方法是有效的。如果直接在中文Base模型上使用该方案进行垂直域增量预训练，不改变模型词表，模型将会在垂直域具有更优秀的效果。

🔥欢迎关注我们的项目，欢迎大家的宝贵建议和意见。

增量预训练：

https://github.com/yangjianxin1/Firefly-LLaMA2-Chinese

多轮指令微调：

https://github.com/yangjianxin1/Firefly

本文转载自社区供稿内容，不代表官方立场。

了解更多，请关注微信公众号”YeungNLP”:

如果你有好的文章希望通过我们的平台
分享给更多人，请通过这个链接与我们联系: 

https://hf.link/tougao