社区供稿 | 元象开源大模型 XVERSE-Long-256K，无条件免费商用！

元象发布全球首个上下文窗口长度256K的开源大模型XVERSE-Long-256K，支持输入25万汉字，让大模型应用进入“长文本时代”。该模型全开源，无条件免费商用，且附带手把手训练教程，让海量中小企业、研究者和开发者更早一步实现“大模型自由”。

全球主流长文本大模型图谱
参数量和高质量数据量决定了大模型的计算复杂度，而长文本技术（Long Context）是大模型应用发展“杀手锏”，因技术新、研发难度高，目前多为闭源付费提供。

XVERSE-Long-256K 支持超长文本输入，可用于大规模数据分析、多文档阅读理解、跨领域知识融合，有效提升大模型应用的深度与广度：一、为律师、金融分析师或咨询师、prompt 工程师、科研人员等解决分析处理较长文本的工作；二、在角色扮演或聊天应用中，缓解模型“忘记”之前对话的记忆力问题，或胡说八道的“幻觉”问题等；三、更好支持智能体（AI Agent）基于历史信息进行规划和决策；四、帮助AI原生应用保持连贯、个性化的用户体验。

至此，XVERSE-Long-256K 填补了开源生态空白，还与元象此前70亿、130亿、650亿参数大模型组成“高性能全家桶”，将国产开源提升至国际一流水平。
元象大模型系列
用户可登录大模型官网或小程序即刻体验 XVERSE-Long-256K。

  高性能定位 评测表现出色

为确保业界对元象大模型有全面、客观和长期的认知，研究人员参考权威行业测评，制定了六个维度的9项综合测评体系。XVERSE-Long-256K 均表现出色，超越其他长文本模型。
全球主流长文本开源大模型评测结果
XVERSE-Long-256K 还通过了“大海捞针”这一常见的长文本大模型性能压力测试。该测试是在长文本语料（即“大海”）中藏入与其内容无关的一个句子（即“针”），并通过自然语言提问让大模型准确提取“针”。
研究人员将四根“针”分别放到了文本语料中从前到后17个不同位置，在8K到256K等量分布的不同长度语料（共32份）中，进行了2176次测试（4x17x32），XVERSE-Long 提取准确率极佳，达99.67%。






向右滑动查看更多

  算法与工程极致优化 手把手教你训模型
面对数十万Tokens的超长上下文窗口，大模型研发面临诸多技术挑战，比如要确保长文本下关注内容的准确性、文本长度与推理速度的平衡、指数级递增的计算量、显存与带宽的巨大需求。而业界常见的滑动窗口、降采样、小模型等“捷径”方法，虽提升了窗口长度，但不同程度牺牲了模型性能，让模型实际应用价值大打折扣。
元象通过算法与工程上的极致优化与突破，在第一阶段ABF+继续预训练，第二阶段NTK+SFT的技术优化，实现了无损长程注意力机制，让窗口长度与模型性能同步提升。后文将提供“手把手模型训练”详细教程与技术解析。

  应用案例展示
XVERSE-Long-256K 在大规模数据分析、多文档阅读理解、跨领域知识融合上能力出众，更重要的是能推动大模型应用深层次的产业落地，比如在金融、司法、科研等精艰深的领域发展。具体案例：

 长篇小说 阅读理解 

以《射雕英雄传》为例，可展示元象大模型在文本理解、人物动机分析、信息检索、准确推断等方面综合能力。

如郭靖初遇黄蓉时未正面描写人物着装，但模型通过原文“店小二见郭靖身上一件黑貂甚是珍贵，心想就算你会不出钞，把这件黑貂皮剥下来抵数也尽够了”，能推断出郭靖身着黑貂皮袄。
《射雕英雄传》测试下滑查看更多
 40+多语种 阅读理解 目前国内多数大模型仅支持中英双语，元象支持40多种语言，以下对55万字符的俄语经典小说《钢铁是怎样炼成的》、41万字符的德文传记著作《人类群星闪耀时》进行测试。
《钢铁是怎样炼成的（俄文版）》测试

《人类群星闪耀时（德文版）》测试

 金融研究报告 分析预测 

对包含大量专业术语的研究报告进行数据、趋势相关解读和分析，以1.6万汉字的《光伏行业2024年策略报告》为例：
《光伏行业2024年策略报告》下滑查看更多

 法律法条 精准应用 

以《中华人民共和国民法典》为例，展示对法律术语的解释，以及对案例进行逻辑分析、结合实际的灵活应用：

《民法典》测试

  手把手教你训练长文本大模型

 1.  技术挑战 

前文提到长序列大模型可一次性输入很长的序列，给大模型的使用带来革命性的变化。既然其优势明显，为何市面上仅有个位数的长文本模型呢？主因有：

1. 模型训练：GPU显存的占用与序列长度的平方成正比，使训练量急剧上升。
2. 模型结构：序列越长，模型的attention越分散，模型越容易忘记前序内容。
3. 推理速度：模型序列越长，将大幅度降低模型推理速度。

 2. 元象技术路线 

长文本大模型技术是在近一年内发展出来的新技术，其主要技术方案为：

1. 直接进行长序列的预训练，但会导致训练量成平方倍的提升。
2. 通过位置编码的插值或外推拓展序列长度，这种方法会降低位置编码的分辨率，从而降低大模型输出效果。

元象总结出一条高效拓展长序列的技术路线，很好解决了训练量大、且位置编码分辨率降低等问题。以130亿参数的基座模型为例，具体如下：

第一阶段：使用ABF+继续预训练的方法，将XVERSE-13B的序列长度从8K拓展到32K，该方法可以大幅度减少预训练的训练量。

第二阶段：使用NTK+SFT的方法，将序列长度从32K拓展到256K。这里的继续预训练的方法可解决前文提到的训练量激增问题，而ABF和NTK可解决模型attention衰减问题。

元象长文本大模型训练流程

 3. 手把手训练方案 

第一阶段：ABF+继续预训练

继续预训练，顾名思义，是在原先短序列预训练的基础上进行长序列的预训练。具体地说，是在XVERSE-13B（8K的短序列）的基础上，使用20%的预训练数据进行32K的长序列的继续预训练。通过少量长序列数据的继续预训练而不是从头开始的长序列预训练，可以大幅减少预训练的训练量。

ABF的全称是Adjusted Base Frequency，是将位置编码RoPE（Rotary Position Embedding）的频率从10000修改成500000。
别小看这个数字的更改，它可以大幅减少前面序列attention的衰减速度，让后面的序列更好的获取所有序列的信息。此外，通过virtual pipeline、ZeRO、不间断训练等手段提高GPU的利用率。
经过以上技术优化，技术团队仅用了一个星期就完成了XVERSE-13B的继续预训练，将序列长度从8K拓展到32K。

第二阶段：NTK+SFT

仅使用继续预训练是无法将序列长度提升到256K的，如此长度的预训练无法完成，因此技术团队使用NTK和SFT技术进一步提高序列长度。
NTK的全称是Neural Tangent Kernel，翻译为神经正切核，是一种用于理解和分析深度神经网络行为的工具。使用了NTK的RoPE可以对RoPE的频率进行动态的插值。在于保持分辨率的情况下（高频），实现了频域空间缩放（低频），从而实现位置空间的插值。

废话不多说，上NTK的代码：

class XverseRotaryEmbedding(torch.nn.Module): def __init__(self, dim, max_position_embeddings=2048, base=500000, device=None): super().__init__() self.base = base self.dim = dim self.max_position_embeddings = max_position_embeddings inv_freq = 1.0 / (base ** (torch.arange(0, dim, 2).float().to(device) / dim)) self.register_buffer("inv_freq", inv_freq)
# Build here to make `torch.jit.trace` work. self.max_seq_len_cached = max_position_embeddings
t = torch.arange(self.max_seq_len_cached, device=self.inv_freq.device, dtype=self.inv_freq.dtype) freqs = torch.einsum("i,j->ij", t, self.inv_freq) # Different from paper, but it uses a different permutation in order to obtain the same calculation emb = torch.cat((freqs, freqs), dim=-1) self.register_buffer("cos_cached", emb.cos()[ None, None, :, :], persistent=False) self.register_buffer("sin_cached", emb.sin()[ None, None, :, :], persistent=False)
def forward(self, x, seq_len=None): # x: [bs, num_attention_heads, seq_len, head_size] # This `if` block is unlikely to be run after we build sin/cos in `__init__`. Keep the logic here just in case. if seq_len > self.max_seq_len_cached:
t = torch.arange(seq_len, device=x.device, dtype=torch.float32) dim = self.dim alpha = (seq_len / (self.max_position_embeddings/2) - 1) base = self.base * alpha ** (dim / (dim-2)) ntk_inv_freq = 1.0 / (base ** (torch.arange(0, dim, 2).float().to(x.device) / dim))
freqs = torch.einsum("i,j->ij", t, ntk_inv_freq) emb = torch.cat((freqs, freqs), dim=-1).to(x.device) cos_cached = emb.cos()[None, None, :, :] sin_cached = emb.sin()[None, None, :, :] return ( cos_cached[:, :, :seq_len, ...].to(dtype=x.dtype), sin_cached[:, :, :seq_len, ...].to(dtype=x.dtype) )
return ( self.cos_cached[:, :, :seq_len, ...].to(dtype=x.dtype), self.sin_cached[:, :, :seq_len, ...].to(dtype=x.dtype), )

使用NTK，使模型具备了拓展更长文本的可能。接下来，通过SFT（Supervised Fine-Tuning）的方法，将序列长度进一步提升到256K。SFT是通过一问一答的方式，使得模型具备了Chat的能力并且强化NTK拓展序列长度的能力。

SFT的关键是如何生成训练数据。目前开源的长序列数据很少，更没有序列长度达到32K以上甚至256K的数据。团队使用预训练阶段使用的训练数据来构造长序列的SFT训练数据。
以构建多文档QA类数据为例：首先，基于自研的XVERSE-65B模型生成与单个文章有关的高质量问题回答对；然后将文章内容混合成目标长度的整段内容，随机选择与其中某个内容匹配的问题回答对；最后将该问题和回答作为整段内容的问题和回答，构成训练的单个样本。通过上述批量化数据生产管线，我们可以得到32K、64K，一直到256K长度的高质量对话数据。

总结一下，通过以上两个阶段的优化，将XVERSE-13B的序列长度大幅度拓展到了256K，并通过9项长文本模型评测和大海捞针等实验验证了XVERSE-13B-256K在长序列方面的强大性能。

本文由 Hugging Face 中文社区内容共建项目提供，稿件由社区成员投稿，经授权发布于 Hugging Face 公众号。文章内容不代表官方立场，文中介绍的产品和服务等均不构成投资建议。了解更多请关注公众号:

如果你有与开源 AI、Hugging Face 相关的技术和实践分享内容，以及最新的开源 AI 项目发布，希望通过我们分享给更多 AI 从业者和开发者们，请通过下面的链接投稿与我们取得联系:

https://hf.link/tougao