🌊百川大模型
https://github.com/baichuan-inc
Last updated
https://github.com/baichuan-inc
Last updated
发布团队：百川智能
家族：llama
能否商用：能
成员：baichuan-7B(官方目前没有发布chat版本) / baichuan-13B / baichuan13B-chat
基于Transformer结构，在大约1.2万亿tokens上训练的70亿参数模型，支持中英双语，上下文窗口长度为4096
处理流程：
开源的中英文数据+自行抓取的中文互联网数据+高质量知识性数据。
数据过滤：参考相关数据工作，频率和质量是数据处理环节重点考虑的两个维度。基于启发式规则（heuristic rules）和质量模型打分，对原始数据集进行篇章和句子粒度的过滤。在全量数据上，利用局部敏感哈希方法，对篇章和句子粒度做滤重。
语种配比：经过不断的调整和多轮测试，最终确认了一个在下游任务上表现最好的中英文配比。
数据类别配比：使用了一个基于自动学习的数据权重策略，对不同类别的数据进行配比。
使用SentencePiece中的Byte-PairEncoding(BPE)作为分词算法，并且进行了以下的优化：
使用2000万条以中英为主的多语言语料训练分词模型，提升对于中文的压缩率。
对于数学领域，参考了LLaMA和Galactica中的方案，对数字的每一位单独分开，避免出现数字不一致的问题，对于提升数学能力有重要帮助。
对于罕见字词（如特殊符号等），支持UTF-8characters的byte编码，因此做到未知字词的全覆盖，词表大小达到6.4万。
对中文的压缩率比较高（？压缩率Compress Rate咋算的？？？？）
Compress Rate
0.737
1.312
1.049
1.206
0.631
0.659
Vocab Size
64,000
32,000
65,024
50,254
130,344
106,029
基于transformer 采用了和llama一样的模型设计
Position Embedding：采用 rotary-embedding，是现阶段被大多数模型采用的位置编码方案，具有很好的外推性。
激活层 Feedforward Layer：采用SwiGLU，Feedforward变化为(8/3)倍的隐含层大小，即11008。
Layer Normalization: 基于RMSNorm的Pre-Normalization。
具体参数：
“在原本的 LLaMA 框架上进行诸多修改以提升训练时的吞吐，具体包括：
算子优化技术：采用更高效算子，如 Flash-Attention，NVIDIA apex 的 RMSNorm 等。
算子切分技术：将部分计算算子进行切分，减小内存峰值。
混合精度技术：降低在不损失模型精度的情况下加速计算过程。
训练容灾技术：训练平台和训练框架联合优化，IaaS + PaaS 实现分钟级的故障定位和任务恢复。
通信优化技术，具体包括：
采用拓扑感知的集合通信算法，避免网络拥塞问题，提高通信效率。
根据卡数自适应设置 bucket size，提高带宽利用率。
根据模型和集群环境，调优通信原语的触发时机，从而将计算和通信重叠。”
基于上述的几个优化技术，在千卡 A800 显卡上达到了 7B 模型 182 TFLOPS 的吞吐，GPU 峰值算力利用率高达 58.3%。
Baichuan-13B 使用了 ALiBi 线性偏置技术，相对于 Rotary Embedding 计算量更小，对推理性能有显著提升；与标准的 LLaMA-13B 相比，平均推理速度 (tokens/s) 实测提升 31.6%：
LLaMA-13B
19.4
Baichuan-13B
25.4
测试环境和参数：GPU A100-SXM4-80G, PyTorch 2.0.0+cu117, transformers 4.29.1, batch size = 1, 生成长度 = 2048, 精度 fp16, 基于 Baichuan-13B-Base
Baichuan-13B 支持 int8 和 int4 量化，用户只需在推理代码中简单修改两行即可实现。请注意，如果是为了节省显存而进行量化，应加载原始精度模型到 CPU 后再开始量化；避免在from_pretrained时添加device_map='auto'或者其它会导致把原始精度模型直接加载到 GPU 的行为的参数。
bf16 / fp16
26.0
int8
15.8
int4
9.7
baichuan13b-chat 在 8 * Nvidia A100 80 GB + deepspeed 的环境下进行了全量微调测试。
在单张 Nvidia A100 80G 显卡上进行了 LoRA 微调测试。
C-Eval 是一个全面的中文基础模型评测数据集，涵盖了 52 个学科和四个难度的级别。baichuan用该数据集的 dev 集作为 few-shot 的来源，在 test 集上进行了 5-shot 测试。
脚本： https://github.com/baichuan-inc/Baichuan-7B/blob/main/evaluation/evaluate_zh.py
Gaokao 是一个以中国高考题作为评测大语言模型能力的数据集，用以评估模型的语言能力和逻辑推理能力。 baichuan只保留了其中的单项选择题，随机划分后对所有模型进行统一 5-shot 测试。
AGIEval 旨在评估模型的认知和解决问题相关的任务中的一般能力。 我们只保留了其中的四选一单项选择题，随机划分后对所有模型进行了统一 5-shot 测试。
CMMLU 是一个综合性的中文评估基准，专门用于评估语言模型在中文语境下的知识和推理能力。CMMLU涵盖了从基础学科到高级专业水平的67个主题。它包括：需要计算和推理的自然科学，需要知识的人文科学和社会科学,以及需要生活常识的中国驾驶规则等。此外，CMMLU中的许多任务具有中国特定的答案，可能在其他地区或语言中并不普遍适用。因此是一个完全中国化的中文测试基准。
-- 使用的每个模型的评估代码位于src中，运行它们的代码列于script目录中。
MMLU 是包含 57 个多选任务的英文评测数据集，涵盖了初等数学、美国历史、计算机科学、法律等，难度覆盖高中水平到专家水平，是目前主流的LLM评测数据集。 baichuan使用5-shot评估
评测方案：https://github.com/hendrycks/test
评测脚本：https://github.com/baichuan-inc/Baichuan-7B/blob/main/evaluation/evaluate_mmlu.py
其他开源llm 评测结果：
https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
https://paperswithcode.com/sota/multi-task-language-understanding-on-mmlu
LLaMA Efficient Tuning 支持Baichuan-7B使用Qlora进行Finetune，支持RLHF，支持WebDemo。使用经过sft的模型见 hiyouga/baichuan-7b-sft。
fireballoon/baichuan-vicuna-chinese-7b 使用 ShareGPT, ShareGPT-ZH, COT & COT-ZH, Leetcode, dummy等包含中英文的数据Finetune后的模型，训练代码参考FastChat。
fireballoon/baichuan-vicuna-7b 使用ShareGPT, COT 和 Leetcode等数据混合Finetune后的模型，训练代码参考FastChat。
Efficient-Tuning-LLMs 支持Baichuan-7B使用Qlora进行Finetune和4bit inference。
fastllm fastllm是纯c++实现，无第三方依赖的大模型库，支持Baichuan-7B在手机端运行。
TheBloke/baichuan-7B-GPTQ 对Baichuan-7B的GPTQ 4bit量化。
MedicalGPT 训练医疗大模型，实现包括二次预训练、有监督微调、奖励建模、强化学习训练。支持baichuan系列
openai-api 套壳启动baichuan-13b-chat
7B预训练模型续写的句子:
评测封闭性不好？⬇️
baichuan-13B-chat
下面均是8bit运行产生的结果：
自己脑补整个session
太有个性
