LLama2具体解读

一、概述

Llama 2: Open Foundation and Fine-Tuned Chat Models

论文地址： Llama 2: Open Foundation and Fine-Tuned Chat Models

代码： ​ ​​ ​

官方： ​ ​​ ​

1Motivation

2.1 全体架构

总结1: 参考InstructGPT[1]，关键还是分为三个步骤（预训练、SFT、RLHF），其中RLHF用了两个Reward Model（Safety Reward Model、Helpful Reward Model）， 翻新性地引入两个Reward模型，在保障安保性的同时，坚持很好的有用性。

总结2: 在RLHF阶段，始终 迭代优化鼓励模型 与 增强模型才干 关于确保鼓励模型坚持在散布范围内至关关键，本文前面的试验中，看到从最开局与chatgpt对比只要10%的胜率，用了本文提到的SFT和迭代RLHF后，胜率可高达60%。

总结3： Rejection Sampling（拒绝采样）：强化学习方法的一种，每次采样多个结果，选取最佳的k个结果构建新的训练数据，降级梯度，同时迭代优化模型成果。

2.2 颁布LLAMA2和LLAMA2-CHAT

总结1： 本次同时颁布了基座模型LLAMA2和Chat模型LLAMA2-CHAT，参数在7B、13B、70B都有。

总结2： 在新的地下的混合数据来训练，语料库的大小参与了40%，将型的高低文长度参与了一倍，驳回了分组查问留意力机制。

2.3LLAMA2和LLMA1训练状况对比

说明： Llama 2系列模型。一切模型都经常使用4M token启动训练。其中更大的模型34B和70B模型经常使用分组查问留意力（GQA）来提高推理可裁减性，7B和13B还是通用的留意力机制。

总结1: 相关于llama1，llama2的窗口长度翻倍，训练tokens翻倍。

总结2: 经常使用分组查问留意（GQA）来 提高推理可裁减性 。

Grouped Query Attention： 在惯例的留意力机制中，咱们 理论将一个查问与一组键（key）和值（value）启动婚配 ，以便在口头各种义务（如翻译、问答等）时聚焦于相关消息。而在 "grouped query attention" 中， 将多个查问作为一个组一同启动处置，从而引入了查问组之间的交互 。这种留意力机制的一个运行场景是在多轮对话了解中，例如问答系统或对话生成模型。在多轮对话中，每一轮对话可以被视为一个查问组，其中每个查问示意一个轮次的输入。经过引入 "grouped query attention"，模型可以更好地捕捉到不同轮次之间的消息流动和高低文关联，从而更准确地理解和生成照应。总之，"grouped query attention" 是一种留意力机制的变种，用于处置多组查问之间的交互， 特意实用于多轮对话了解等场景，有助于提高模型的高低文了解和消息交互才干。

3 Conclusion

3.1 全体状况：远超开源大模型，除代码才干外追上了ChatGPT

大模型评价维度： 普通从代码，知识推理，环球知识，阅读了解，数学，比拟热的几个数据集包括MMLU，BBH，AGI Eval等方面来评价。

3.2 LLAMA2的Helpfulness体现

总结1： LLama-2 70b模型与chatgpt-0301的 GSB评分为35.9:31.5:32.5 ，Llama2-70b有用性比ChatGPT-0301还要好点。

总结2: GPT4智能评价，绿色区域标明，LLama-2的模型更好，为了消弭平局，经常使用了赢/（赢+输）来计算分数。

3.3 LLAMA2的Safety体现

总结： Llama-2 70b-chat违犯安保的比例低于5%，比ChatGPT0301高于5%还要好，虽然评测有必定局限性。

二、预训练和Fine-tuning

1 预训练训练loss变动状况

总结1: 对比Llama1，PPL最终是到1.6左右，这里Llama2-70B到1.5了。

总结2: 观察到启动2T tokens预训练后， 模型依然没有任何饱和迹象 ，还能继续加数据继续训！！！

总结3: tokenizer方法和LLAMA1一样，包括：BPE编码，SentencePiece切词，32K。

2 有监视SFT关键是高品质的数据

总结： SFT数据的品质比数量更关键，本文发现开源的一些数据量比拟大，然而多样性和品质都不太好，本文最终搜集了 27540条高品质的数据来训练，成果有显著的改善 。

3 人类偏好数据搜集（百万级别）

总结1： 搜集了现有的开源的和meta搜集的数据集，总共290万，其中Meta整顿了141万。

总结2： 人类偏好的标签包括2种反应，chosen或许rejected，觉得不是特意细。

总结3： 还剖析了各种偏好数据的比拟的次数、每个对话的平均轮次、每个例子、每个揭示和每个回答的平均token数等目的。

4 各种大模型在Meta偏好数据上的体现

总结1: GPT4在人类偏好数据集上成果都比拟高。 GPT4没有在Meta数据集上训练过，然而成果也是比拟好的，然而比经过Meta数据训练的RM的成果还是要差一些。

总结2: 经过人类偏好数据集训练的Reward model能大幅优化在该畛域的偏好成果。 在Meta Safety以及Meta Helpful数据集上，经过对应场景数据训练的RM，Safety RM和Helpfulness RM在各自的畛域都是最好的，比GPT4都要好。

5 Reward model成果和模型尺寸的相关

总结： 数据越多，模型越大成果越好，70b的Reward模型更好的概率在80%+，13b的Reward模型更高的概率在75%-76%左右。

6 RL迭代训练（PPO和Rejection sampling fine-tuning）是关键的制胜法宝

总结1: 在强化学习阶段，始终迭代优化模型成果，关键探求了两种不同的RL算法来迭代优化，PPO和Rejection Sampling fine-tuning算法。

总结2: Rejection Sampling fine-tuning 是一种从模型生成多个候选输入，经过鼓励机制选用最佳输入，并将选定的输入用于梯度降级和微调的方法。这个方法在之前的钻研基础上启动了拓展，使得模型可以经过选用的输入来进一步优化自身。

总结3: 拒绝采样和ppo的不同。宽度：在拒绝采样中，该模型为给定的揭示探求K个样本，而PPO只探求1个样本。深度：在PPO中，在步骤t的训练时期，样本是上一步梯度降级后t-1的降级模型战略的函数。在拒绝采样微调中，咱们在运行相似于SFT的微调之前，依据模型的初始战略对搜集新数据集的一切输入启动采样。因为运行了迭代模型降级，两个RL算法之间的基本差异不那么显著。

论断： 拒绝采样可以从多个样本中，选用更好的样原本训练迭代模型，采样的个数越多，成果越好。同时温度系数越高，多样性越高成果越越好。

总结1: 只在70B的LLAMA2-CHAT上经常使用了拒绝采样，其余小模型都是从大模型蒸馏过去。

总结2: 总共RL迭代了5轮，在RLHF（V4）之前，只经常使用拒绝采样微调，之后，咱们按顺序将两者联合起来，在再次采样之前在结果的拒绝采样checkpoint上运行PPO。

7 应用GAtt方法来优化多轮问答中对系统指令的遵照才干

说明 ：在多轮问答中，经常会遗记系统指令，如左图所示遗记用emojis来回答的指令，前面用GAtt技术优化后，左边有显著改善。

GAtt方法 ：觉得是一种新的attention方法，关于第一条指令或许系统指令提供的留意力更强。

8 LLAMA2-CHAT的演化环节（RLHF迭代5轮的变动状况），成果十分强！

总结1: RLHF总共迭代了5次，每次迭代都有优化，其中前4次用的是拒绝采样来训练，v5用上了ppo优化更大。

总结2: RLHF带来的优化是比拟显著的，从对chatgpt10%的胜率优化到了60%+。

9 人工评价有用性

总结: 在helpfulness prompts上，比其余开源模型成果要更好，甚至比闭源的chatgpt都要好一点。

三、Safety

1 在训练数据中引入更安保的数据

总结1: 安保的数据越多，成果越好，helpfulness坚持稳固

总结2: 随着更多安保训练数据的参与，较低的安保RM分数（即最不安保的回答）逐渐隐没，代表安保分十分低的结果越来越少。

2应用Context distillation方法优化安保性

Context distillation方法： 指在高低文中引入额外限度优化安保性的方法，这里提供了两种方法如下：

方法1: Generic Preprompt：优化回答中不应该包括任何有害的、不品德、或许有成见的内容。

方法2: Preprompt with Answer Template：给出答案的模版，指点或许不安保的行为该如何回答。

论断1: 采取通用的预揭示方法（Generic Preprompt）会提高安保RM分数，但带有定制答案模板的预揭示（Preprompt with answer Template）会更有协助。

论断2: 随着原始安保分的参与，Context Distillation带来的优化越来越小，甚至对高分数的样本带来负面影响，所以本文只在能优化安保分的样本上经常使用context distillation技术。

3 Red Teaming

目的1： 主动危险识别或许不太够，这里还提出要主动危险识别来优化，本文把他叫做Red Teaming，关键用于剖析哪些状况下或许会形成毒性的结果。

目的2: 安保是一个长尾疑问，即使十分不频繁的case也会造成重大的结果。

发现的llm攻打特点：

• [早期模型]更有或许生成不安保的照应，而没有留意到它们蕴含有疑问的内容。[稍晚的模型]能够发现有疑问的内容，然而还是不可防止不输入。[最新模型]能够处置这些疑问。

• 创意写作恳求（歌曲、故事、诗歌等）或许会让他生成之前会剧烈推戴的内容（回避监管机制，生成不安保的内容）。

• 在踊跃的高低文中嵌入有疑问的恳求，例如经常使用踊跃、进取、富裕能量的疑问启动覆盖，是最有效的攻打方法。

4 Safety Evaluation of Llama 2-Chat

总结： 不同尺寸的LLAMA2系列模型中，都有更好的安保性，同时有用性也十分不错。

总结： 多轮问答的有害性比单轮问答的有害性对别，参与比拟多，然而LLAMA2系列模型都比其余模型好，34b的模型有点奇异，本文也没有开源。

总结： 比拟了多个角度，包括有害的，合法的，低品质三大类状况下个模型的违反比例，LLAMA2系列体现都不错，34b的模型体现有点奇异没有开源。

四、Discussion

1 SFT模型到RLHF方法给Reward model score散布带来的变动

总结： 最还是的mix数据训练的SFT，低分数的比拟多，随着应用标注数据，成果有了显著的优化，同时应用RLHF，取得高分数的样本越来越多，说明成果越来越好。

2 RLHF降低模型结果的了多样性

总结1： 温度越高，多样性越好，然而做了RLHF后，多样性有了显著的降低。

总结2: Creative Prompts还能维持较高的多样性，同时上文也提到，或许更容易被攻打，所以觉得多样性和有毒性确实是一个须要掂量的环节。

五、思索与总结

总结： 本文关键从预训练、Fine-tuning、Safety这几个角度来引见了LLAMA2，其中 引入高品质的数据，屡次迭代优化Reward Model是十分关键的一步 。

总结1: 训练数据品质十分关键。 相关于多而品质不高的数据，SFT环节中，搜集27540条高品质的数据就能有十分大的优化。

总结2: RLHF对对齐人类观点还是十分关键的。 LLAMA2经常使用RLHF迭代训练后，对chatgpt的胜率从开局的10%的胜率优化到了60%+。

总结3:模型越大，数据量越多，Reward Model的成果就越好。

总结4:优化安保性可以在训练数据，SFT，RLHF多个方面启动优化。 引入更安保的数据，可以降低毒性十分高的结果。引入RLHF，可以进一步提高输入结果的Reward Model分数。

总结5:引入Context distillation方法也可以有效的优化安保性。 通用的不能输入毒性结果的指令能够带来必定优化，同时对毒性结果启动后处置，能够更进一步优化安保性。

总结6:多轮问答比单论问答有更高的发生毒性回答的概率。 本文应用GAtt方法来优化多轮问答的安保性。

总结7:安保性和多样性是须要掂量的。 在看到RLHF对齐人类观点的同时，也要看到其多样性就义比拟大。同时假设多样性比拟高，也使其更有或许发生不安保的内容。

本文转载自​​，作者：