全面取代Llama 2！Baichuan 2自曝史上最全训练细节

在国内，Llama的时代，已经过去了。

9月6日，百川智能宣布正式开源Baichuan2系列大模型，包含7B、13B的Base和Chat版本，并提供了Chat版本的4bits量化，均为免费商用。

下载链接:https://github.com/baichuan-inc/Baichuan2

在所有主流中英文通用榜单上，Baichuan2全面领先Llama2，而Baichuan2-13B更是秒杀所有同尺寸开源模型。毫不夸张地说，Baichuan2-13B是目前同尺寸性能最好的中文开源模型。

而在过去一个月里，Baichuan系列的下载量在Hugging Face等开源社区已经超过了347万次，是当月下载量最高的开源大模型，总下载量已经突破500万次。

Llama2，已经不需要了

相比之下，国外的当红炸子鸡Llama2，就可以和我们说拜拜了。

千模大战过后，大模型已经进入了「安卓时刻」。现在看来，最有希望替代Llama2的国产大模型，就是Baichuan2。

原因其实很简单，一方面Baichuan2系列大模型在性能上，不仅以绝对优势领先Llama2，而且大幅度优于同尺寸的竞品。

另一方面，在Meta的商用协议中，实际上并不允许开放Llama模型在中文社区的商用;而Baichuan系列大模型目前是全面开源商用的。

Llama2商业协议明确表示不允许英文以外的商业

中文开源第一

作为中文开源大模型的第一，百川大模型面对LLM经典难题的表现，也让人眼前一亮。

对于博大精深的汉语，具备精准语义理解能力的Baichuan2，可以充分理解其中的精妙。

而并不擅长中文的Llama213B，只是说了一堆无用的废话。

在考验推理能力的代码生成方面，Baichuan2能做到足够的精细化，并且可用率已经达到了行业领先水平。

对于这道题，Llama2也可以搞定，但默认只会用英文进行回复。

难度更大的多轮对话，让无数大模型折戟。

在这方面，百川大模型可以说是遥遥领先，能够轻松完成各种复杂的指令跟随。

就连难倒GPT-4的推理题，百川大模型都不在话下。

模型评测

除了刚刚这些真实场景的评测外，Baichuan2在多个权威的中文、英文和多语言的通用以及专业领域的基准测试中，都取得了同等规模最佳的效果，而Llama2则是全面落败。

对于通用领域，评测采用的基准为:中文基础模型评测数据集C-Eval、主流英文评测数据集MMLU、评估知识和推理能力的中文基准CMMLU、评估语言和逻辑推理能力的数据集Gaokao、评估认知和解决问题等通用能力的AGIEval，以及挑战性任务Big-Bench的子集BBH。

在法律领域，采用的是基于中国国家司法考试的JEC-QA数据集。在医疗领域，除了通用领域数据集中医学相关的问题外，还有MedQA和MedMCQA。

数学领域为GSM8K和MATH数据集;代码领域为HumanEval和MBPP数据集。

最后，在多语言能力方面，则采用了源于新闻、旅游指南和书籍等多个不同领域的数据集Flores-101，它包含英语在内的101种语言。

总结来说，Baichuan2系列不仅继承了上一代良好的生成与创作能力，流畅的多轮对话能力以及部署门槛较低等众多特性，而且在数学、代码、安全、逻辑推理、语义理解等能力有显著提升。

其中，Baichuan2-13B-Base相比上一代13B模型，数学能力提升49%，代码能力提升46%，安全能力提升37%，逻辑推理能力提升25%，语义理解能力提升15%。

数据

Baichuan2系列大模型之所以能实现如此傲人的成绩，其中一个原因便是，训练语料规模大、覆盖全，且质量优。

在数据获取上，百川团队主要从网页、书籍、研究论文、代码库等丰富的数据源采集信息，覆盖了科技、商业、娱乐等各个领域。

总计有2.6TB token规模的数据集。

与此同时，数据集中也加入了多语言的支持，包括中文、英文、西班牙语、法语等数十种语言。

Baichuan2训练数据不同种类分布

那么，优秀的数据质量获取是如何实现?

作为一家有搜索基因的公司，百川智能借鉴了之前在搜索领域的经验，将重点放在了数据频率和质量上。

一方面，通过建立一个大规模「重复数据删除和聚类系统」，能够在数小时内，实现对千亿级数据的快速清洗和去重。

另一方面，数据清洗时还采用了多粒度内容质量打分，不仅参考了篇章级、段落级、句子级的评价，还参考了搜索中对内容评价的精选。

通过细粒度采样，大幅提升了模型生成质量，尤其是在中文领域。

不同数据处理阶段的训练数据大小

训练

数据准备完成后，接下来就进入大模型最重要的阶段——训练。

百川团队使用AdamW优化器，BFloat16混合精度对模型进行了训练。

为了稳定训练过程，提高模型性能，研究还采用了NormHead，对输出embedding进行归一化处理。

另外，在训练期间，百川团队还发现LLM的对数值可能会变得非常大，由此引入Max-z loss来稳定训练，让模型推理对超参数更加稳健。

如下图，可以看到，Baichuan2-7B/13B的损失曲线在持续降低。

以往研究表明，模型的性能随着参数规模的扩大呈现出一定的可预测性，也就是人们常说的scaling law。

在训练数十亿参数的大型语言模型之前，百川智能预训练了从10M到30B参数的模型，总计token规模达1万亿。

通过将幂律项拟合到给定训练浮点运算次数的损失中，可以预测在2.6万亿token上训练Baichuan2-7B和Baichuan2-13B的损失曲线。

如下图所示，30M、50M、100M等不同参数规模的模型曲线都在下降，并且最后能够线性回归到一个值。

这使得，在预测更大规模模型的性能时，能够有一个较为准确的估计。

值得一提的是，这与OpenAI在发布GPT-4时的情况类似，只需要万分之一的训练，可以预测后面模型的性能。

由此可见，整个拟合过程，能够较为精确地预测模型的损失。

同时，百川基础设施的团队进行了大量工作，优化了集群性能，使得目前千卡A800集群达到180TFLOPS训练速度，机器利用率超过50%，达到行业领先水平。

如上，在训练过程中，百川智能模型呈现出了高效、稳定、可预测的能力。

安全

那么，训练后得到的模型，如何确保是安全的呢?百川智能在此也做了很多安全对齐的工作。

在模型训练前，团队已经对整个数据集进行了严格的过滤，还策划了一个中英文双语数据集，纳入了各种正能量的数据。

另一方面，百川智能还对模型做了微调增强，安全强化学习，设置了6种攻击类型，并进行了大量红蓝对抗训练，能够提升模型的鲁棒性。

在强化学习优化阶段，通过DPO方法可以有效利用少量标注数据，来提升模型对特定漏洞问题的性能。

另外，还采用了结合有益和无害目标的奖励模型，进行了PPO安全强化训练，在不降低模型有用性的前提下，显著增强了系统的安全性。

可以看到，百川智能在模型安全对齐方面也做出很多努力，包括预训练数据加强、安全微调、安全强化学习、引入红蓝对抗。

Baichuan2的开源，是真正的开源

对于学术界来说，是什么阻碍了对大模型训练的深入研究?

从0到1完整训练一个模型，成本是极其高昂的，每个环节都需要大量人力、算力的投入。

其中，在大模型的训练上，更是包括了海量的高质量数据获取、大规模训练集群稳定训练、模型算法调优等等，失之毫厘，差之千里。

然而，目前大部分的开源模型，只是对外公开了模型权重，对于训练细节却很少提及。并且，这些模型都是最终版本，甚至还带着Chat，对学术界并不友好。

也是因此，企业、研究机构、开发者们，都只能在模型基础上做有限的微调，很难深入研究。

针对这一点，百川智能直接公开了Baichuan2的技术报告，并详细介绍了Baichuan2训练的全过程，包括数据处理、模型结构优化、Scaling law、过程指标等。

更重要的是，百川智能还开源了模型训练从220B到2640B全过程的Check Ponit。

这在国内开源生态尚属首次!

对于模型训练过程、模型继续训练和模型的价值观对齐等方面的研究来说，Check Ponit极具价值。

Baichuan2的11个中间checkpoints在C-Eval、MMLU、CMMLU三个benchmark上的效果变化

对此，复旦大学计算科学技术学院教授张奇表示:

Baichuan系列发布的模型分片，对于研究大模型的本质来说有非常大的好处。我们既可以知道它每次的迭代过程，也可以在中间的分片里面做非常多的事情。

而且，相比于那些直接开源最终版，甚至还是Chat版的模型，百川开源得非常干净，从底座开始就是很干净的语言模型。

此外，很多的评测都是从单点维度进行的，甚至在某些榜单，GPT-4都排到第10了，这其实没有任何意义。而百川的评测结果就非常好。

而从商业角度看，Baichuan2模型也是企业非常好的选择。

之前免费可商用的Llama2发布后，许多人认为这会对众多创业公司造成打击，因为它可以满足低成本、个性化的需求。

但经过仔细思考就能明白，Llama2并未改变市场格局。

企业若是要用模型，即使是微调，也需要花费一些成本、精力和时间。

而如果选一个性能较弱的模型（尤其是主要基于英文语料的模型），重新训练也是有难度的，成本几乎跟自己重新去做一个大模型差不多了。

既然Llama2不擅长中文，协议也禁止非英文场景商用化，因此显而易见，在商用领域，综合能力更强的开源模型Baichuan2，几乎可以说是不二之选。

基于Baichuan2系列大模型，国内研究人员可以进行二次开发，快速将技术融进现实的场景之中。

一言蔽之，Baichuan2就像是源源不断地活水，不仅通过尽可能全面的开源来极大地推动国内大模型的科研进展，而且还通过降低国内商业部署门槛让应用创新能够不断涌现。

参考资料:

https://github.com/baichuan-inc/Baichuan2