今日凌晨，就在我們還在睡夢中時，大洋彼岸的meta干了一件大事:發(fā)布免費可商用版本Llama2。

Llama2是Llama1大模型的延續(xù)，在數(shù)據(jù)質量、訓練技術、能力評估、安全訓練和負責任的發(fā)布方面有實質性的技術進步。

在研究共享意愿歷史最低，監(jiān)管困境歷史最高點的當今AI時代，meta這一步無疑為大模型生態(tài)系統(tǒng)帶來了重大進展。

從技術報告上看，Llama2的基礎模型比GPT3更強，而微調后聊天模型則能ChatGPT匹敵。相信后續(xù)Llama2將幫助企業(yè)實現(xiàn)更多的定制化和降低成本的產(chǎn)品。

以下是扎克伯格在Facebook上發(fā)布的關于Llama2的“宣言”，更是將其稱之為大模型的次世代的產(chǎn)品:

我們正在與微軟合作，推出Llama2，這是我們開源大語言模型的下一代產(chǎn)品。Llama2將免費提供給研究者和商業(yè)使用者。

meta一直投身于開源事業(yè)，從領先的機器學習框架PyTorch，到像Segment Anything，ImageBind和Dino這樣的模型，再到作為Open Compute Project部分的AI基礎設施。我們一直在推進整個行業(yè)的進步，構建更好的產(chǎn)品。

開源推動了創(chuàng)新，因為它讓更多的開發(fā)者能夠使用新技術。同時，軟件開源，意味著更多的人可以審查它，識別并修復可能的問題，從而提高了安全性。我相信如果生態(tài)系統(tǒng)更加開放，將會釋放更多的進步，這就是我們?yōu)槭裁匆_源Llama2。

今天，我們發(fā)布了預訓練和微調的模型Llama2，參數(shù)分別為70億，130億和700億。Llama2比Llama1預訓練的數(shù)據(jù)多40%，并對其架構進行了改進。對于微調模型，我們收集了超百萬的人類注釋樣本，并應用了有監(jiān)督的微調和RLHF，在安全性和質量方面是領先的。

你可以直接下載這些模型，或者通過Azure以及微軟的安全和內容工具訪問這些模型。我們還提供一個優(yōu)化版本，支持Windows本地運行。

我非常期待看到你們的創(chuàng)新成果!

對于Llama2的出現(xiàn)和發(fā)布，深度學習三巨頭之一的Yann LeCun表示，這將改變大模型的市場格局。

有網(wǎng)友很快就向meta發(fā)送了申請，并在幾個小時內獲得了許可，已經(jīng)在應用了:

OpenLLM大模型排行榜對Llama2進行了關于“Eleuther AI Language Model evaluation Harness” 中的4個關鍵基準的評估:

其中，Llama-2-70b獲得了平均分、科學問題ARC、常識推理HellaSwag等指標的第一名;文本多任務準確性MMLU指標被基于Llama-30B 的微調模型Platypus-30B超過;生成問題答案真實性TruthfulQA （MC）指標位列第8名。

論文地址:

https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/

項目地址:

https://github.com/facebookresearch/llama

Llama2的一些關鍵點aw的優(yōu)勢在哪?

meta發(fā)布了多個模型，包括7億，13億，34億，70億參數(shù)的Llama基礎模型，以及同等規(guī)模的Llama變體。meta將預訓練語料庫的大小增加了40%，將模型的上下文長度增加了一倍，并采用了分組查詢注意力機制（grouped-query attention）。

具體而言，有以下幾個關鍵點:

能力:廣泛測試后，在非編碼方面，確定這是第一個能達到ChatGPT水平的開源模型。

代碼/數(shù)學/推理:論文中關于代碼數(shù)據(jù)的討論較少，但有一個模型在某些評價中超越了其他模型。

多輪一致性:采用了新的方法，Ghost Attention （GAtt），以改善模型的多輪對話一致性。

獎勵模型:為避免安全性和有用性的權衡，采用了兩個獎勵模型。

RLHF過程:采用了兩階段的RLHF方法，強調了RLHF對模型寫作能力的重要影響。

安全性/傷害評估:進行了詳盡的安全評估，并采用了特定的方法以增強模型的安全性。

許可證:模型可供商業(yè)使用，但有一定的用戶數(shù)量限制，也即日活大于7億的產(chǎn)品需要單獨申請商用權限。

Llama2的技術細節(jié)

Huggingface科學家Nathan Lambert在一篇博客也對Llama2的技術報告進行了解析。

這個模型（Llama2）與原始的Llama在結構上相似，主要的改變在于數(shù)據(jù)和訓練過程，以及增加了上下文長度和分組查詢注意力(GQA)，且在聊天功能的應用性和推理速度方面有所提高。

訓練語料庫來自公開資源，不包含meta的產(chǎn)品或服務的數(shù)據(jù)。模型在2萬億個數(shù)據(jù)標記（Token）上訓練，以提高性能并減少錯誤，并盡力刪除含有大量私人信息的數(shù)據(jù)。

論文大部分關于評估和微調，而非創(chuàng)建基礎模型。

論文接著遵循RLHF流程，訓練一個獎勵模型并使用強化學習（RL）進行優(yōu)化。

此外，技術報告也證實了一點，獎勵模型是RLHF的關鍵，也是模型的關鍵。為了得到一個好的獎勵模型，meta收集了大量偏好數(shù)據(jù)，這些數(shù)據(jù)遠遠超過了開源社區(qū)正在使用的數(shù)據(jù)。

meta收集二元對比數(shù)據(jù)，而非其他更復雜類型的反饋。這類似于1-8的Likert量表，但更側重于質性評價如“顯著優(yōu)于、優(yōu)于、稍優(yōu)于或差不多/不確定”。

他們使用多輪次偏好，模型的響應來自不同的模型訓練階段;meta的關注點更在于有用性和安全性，而不是誠實度（honesty），在每個數(shù)據(jù)供應商的數(shù)據(jù)收集階段使用不同的指令。

此外，在數(shù)據(jù)收集過程中，團隊添加了額外的安全元數(shù)據(jù)，顯示每一輪模型的哪些響應是安全的。在建模階段，他們排除了所有“選擇的響應不安全而其他響應安全”的例子，因為他們認為更安全的響應會更受人類喜歡。

獎勵模型

研究人員訓練了兩個獎勵模型，一個專注于有益性，另一個專注于安全性。這些模型基于語言模型構建，用線性回歸層替換了原模型頭部。他們始終使用最新的聊天模型，目的是為了減少在RLHF訓練中的分布不匹配。

一些關鍵的技術細節(jié)包括:

起始獎勵模型基于開源數(shù)據(jù)訓練，并用于生成早期供應商數(shù)據(jù)。

他們保留了一些Anthropic的無害數(shù)據(jù)（占他們自己的90%），但沒有給出具體原因。

他們只訓練一個epoch，防止獎勵模型過擬合。

獎勵模型的平均準確率在65-70%范圍內，但在”顯著不同”的標簽上，準確率達到80-90%。

其他有趣的發(fā)現(xiàn):

在獎勵模型的損失函數(shù)中添加了一個margin項（與偏好的置信度成比例），以提高有益性。

隨著模型的訓練和改進，數(shù)據(jù)對模型輸出的一致性評價越來越高

訓練的獎勵模型在評估中表現(xiàn)優(yōu)于使用GPT-4生成的獎勵模型提示。

圖表顯示，獎勵模型的準確性隨著時間的推移有所提高。值得注意的是，盡管OpenAssistant獎勵模型可能沒有得到高度認可，但是GPT-4作為獎勵模型的性能表現(xiàn)為其他模型提供了基準。

meta在討論微調結果時提到，獎勵模型的準確性是Llama2-Chat性能的關鍵指標。這符合人們對RLHF會充分利用獎勵模型知識的理解。

RLHF和微調

meta通過使用RLHF方法來提升模型性能，如下圖所示使用最優(yōu)秀的獎勵模型來評估各種模型，以此展示RLHF如何將生成的文本推向更高的獎勵。meta迭代訓練了5個RLHF版本，每個版本的數(shù)據(jù)分布都有所改進。

meta指出，第三方的SFT（有監(jiān)督微調）數(shù)據(jù)多樣性和質量往往不足以滿足對話式指令的LLM對齊需求。meta通過篩選第三方數(shù)據(jù)集中的高質量示例，顯著提高了結果。他們也強調了注釋數(shù)據(jù)的數(shù)量對于再現(xiàn)性的重要性。

meta觀察到，不同的注釋平臺和供應商可能會導致模型性能的顯著差異，因此在使用供應商獲取注釋時，數(shù)據(jù)檢查仍然非常重要。他們的做法是通過對比人類注釋和模型生成的樣本來驗證數(shù)據(jù)質量。

在數(shù)據(jù)質量確立之后，meta開始關注強化學習（RL）部分。他們發(fā)現(xiàn)，即使有熟練的注釋員，每個人的寫作風格也會有很大的差異。一個在SFT注釋上進行微調的模型會學習這種多樣性，但同時也會學習到一些糟糕的注釋。他們指出，模型的性能是由技巧最好的注釋者的寫作能力來限制的。

meta確實承認，這個過程需要大量的計算和注釋資源。在整個RLHF階段，獎勵建模數(shù)據(jù)對于模型改進至關重要。

結論是，有效的RLHF需要一個中等大小的團隊。雖然一個1-3人的團隊可以發(fā)布一個好的指令模型，但實行RLHF可能需要至少6-10人。這個數(shù)字會隨著時間的推移而減小，但這種類型的工作需要與外部公司簽訂合同和保持緊密的聯(lián)系，這總是會耗費一些時間。

此外，meta對比了方法間的基本差異以及它們的使用時機:

拒絕抽樣（RS）進行更廣泛的搜索(每個提示生成更多的數(shù)據(jù))，而PPO則對獎勵模型進行更多的更新。

最終方法之間的差異并不顯著（與WebGPT的發(fā)現(xiàn)相似）。

在RLHFV4中，僅使用了拒絕抽樣，然后在最后一步中使用PPO和拒絕抽樣進行微調（在一些評估中，PPO有輕微的優(yōu)勢）。

評估

論文以多種方式評估他們的模型。在自動化基準測試中，例如Open LLM Leaderboard（MMLU，ARC等）的首字母縮略詞，Llama2在所有規(guī)模上都比其他任何開源模型要好得多。

模型在諸如MMLU這樣的不那么顯眼的基準測試中也得分更高，這是因為他們的大量數(shù)據(jù)工作和RLHF的調整。然而，他們的模型在與閉源模型的比較中并未表現(xiàn)出色。

此外，論文還深入研究了當前流行的評估技術，人類注釋者和LLM-as-a-judge由于其普遍性和可用性而受到歡迎。盡管人類評估可能受到一些限制和主觀性的影響，但結果顯示了meta在開源領域的主導地位。

他們采用了模型作為評判的技術，并用Elo圖展示了RLHF這個隨時間變化的概念，這與Anthropic的AI工作類似。在性能上，他們的模型在RLHFv3之后超過了ChatGPT，這可以在圖中看到PPO方法提供了一定的提升:

這篇論文進行了多項評估以展示其一般性能力，包括建立獎勵模型。獎勵模型的測試亮點:

調整獎勵模型分數(shù)以適應人類評價者的偏好評估，盡管誤差范圍較大。

與在開源數(shù)據(jù)集上訓練的獎勵模型進行比較，以展示開源領域的可能實現(xiàn)。

人類/模型評估的亮點:

在ChatGPT和Llama-2-Chat的輸出上評估模型，避免模型因風格偏好而提高自身結果。

利用評價者間可靠性度量，如Gwet的AC1/2，這些統(tǒng)計工具為此項工作專門設計。

承認人類評估的限制，包括大型評估提示集未覆蓋所有實際應用，缺少對編碼/推理的評估，只評估最后的對話輪次。

最后，附上Llama2的在線測試地址:

https://huggingface.co/spaces/ysharma/Explore_llamav2_with_TGI?continueFlag=749dd0fc30bb1d0718aaa9576af51980

參考文獻

Llama 2 was just announced, so I built an app for everyone to test it out, for free! ??

Built with @replit and @replicatehq .

I really like this model so far, especially for reasoning.

Thanks @ylecun pic.twitter.com/mIU6JmFBST

— Pietro Schirano (@skirano) July 18, 2023

https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard

https://www.interconnects.ai/p/llama-2-from-meta?utm_source=profile&utm_medium=reader2