領(lǐng)域大模型訓(xùn)練Trick

一、領(lǐng)域技術(shù)標(biāo)準(zhǔn)文檔或領(lǐng)域相關(guān)數(shù)據(jù)是領(lǐng)域模型Continue PreTrain的關(guān)鍵。

現(xiàn)有大模型在預(yù)訓(xùn)練過程中都會加入書籍、論文等數(shù)據(jù)，那么在領(lǐng)域預(yù)訓(xùn)練時(shí)這兩種數(shù)據(jù)其實(shí)也是必不可少的，主要是因?yàn)檫@些數(shù)據(jù)的數(shù)據(jù)質(zhì)量較高、領(lǐng)域強(qiáng)相關(guān)、知識覆蓋率（密度）大，可以讓模型更適應(yīng)考試。當(dāng)然不是說其他數(shù)據(jù)不是關(guān)鍵，比如領(lǐng)域相關(guān)網(wǎng)站內(nèi)容、新聞內(nèi)容都是重要數(shù)據(jù)，只不過個(gè)人看來，在領(lǐng)域上的重要性或者知識密度不如書籍和技術(shù)標(biāo)準(zhǔn)。

二、領(lǐng)域數(shù)據(jù)訓(xùn)練后，往往通用能力會有所下降，需要混合通用數(shù)據(jù)以緩解模型遺忘通用能力。

如果僅用領(lǐng)域數(shù)據(jù)進(jìn)行模型訓(xùn)練，模型很容易出現(xiàn)災(zāi)難性遺忘現(xiàn)象，通常在領(lǐng)域訓(xùn)練過程中加入通用數(shù)據(jù)。那么這個(gè)比例多少比較合適呢？目前還沒有一個(gè)準(zhǔn)確的答案，BloombergGPT（從頭預(yù)訓(xùn)練）預(yù)訓(xùn)練金融和通用數(shù)據(jù)比例基本上為1:1，ChatHome（繼續(xù)預(yù)訓(xùn)練）發(fā)現(xiàn)領(lǐng)域：通用數(shù)據(jù)比例為1:5時(shí)最優(yōu)。個(gè)人感覺應(yīng)該跟領(lǐng)域數(shù)據(jù)量有關(guān)，當(dāng)數(shù)據(jù)量沒有那多時(shí)，一般數(shù)據(jù)比例在1:5到1:10之間是比較合適的。

三、領(lǐng)域模型Continue PreTrain時(shí)可以同步加入SFT數(shù)據(jù)，即MIP，Multi-Task Instruction PreTraining。

預(yù)訓(xùn)練過程中，可以加下游SFT的數(shù)據(jù)，可以讓模型在預(yù)訓(xùn)練過程中就學(xué)習(xí)到更多的知識。例如：T5、ExT5、Glm-130b等多任務(wù)學(xué)習(xí)在預(yù)訓(xùn)練階段可能比微調(diào)更有幫助。并且ChatHome發(fā)現(xiàn)MIP效果在領(lǐng)域上評測集上絕群。

四、 僅用SFT做領(lǐng)域模型時(shí)，資源有限就用在Chat模型基礎(chǔ)上訓(xùn)練，資源充足就在Base模型上訓(xùn)練。（資源=數(shù)據(jù)+顯卡）

跟很多人討論過一個(gè)問題，就是我們在SFT的時(shí)候是在Base模型上訓(xùn)練還是在Chat模型上訓(xùn)練。

其實(shí)很簡單，如果你只有5k數(shù)據(jù)，建議你在Chat模型上進(jìn)行微調(diào)；如果你有10w數(shù)據(jù)，建議你在Base模型上進(jìn)行微調(diào)。因?yàn)槟悴恢狢hat模型在SFT時(shí)的數(shù)據(jù)質(zhì)量如何，當(dāng)自己有能力時(shí)，靠人不如靠己。

五、在Chat模型上進(jìn)行SFT時(shí)，請一定遵循Chat模型原有的系統(tǒng)指令&數(shù)據(jù)輸入格式。

如果你在Chat模型上進(jìn)行SFT的時(shí)候，請跟Chat模型的輸入格式一致，否則當(dāng)你數(shù)據(jù)量不足時(shí)，可能會導(dǎo)致訓(xùn)練效果不明顯。并且建議不采用全量參數(shù)訓(xùn)練，否則模型原始能力會遺忘較多。

六、領(lǐng)域評測集時(shí)必要內(nèi)容，建議有兩份，一份選擇題形式自動(dòng)評測、一份開放形式人工評測。

一定要有自己的領(lǐng)域數(shù)據(jù)集來驗(yàn)證模型效果，來選擇最好的checkpoint。選擇題形式可以自動(dòng)評測，方便模型進(jìn)行初篩；開放形式人工評測比較浪費(fèi)時(shí)間，可以用作精篩，并且任務(wù)形式更貼近真實(shí)場景。

七、領(lǐng)域模型詞表擴(kuò)增是不是有必要的。

個(gè)人感覺，領(lǐng)域詞表擴(kuò)增真實(shí)解決的問題是解碼效率的問題，給模型效果帶來的提升可能不會有很大。（這里領(lǐng)域詞表擴(kuò)充是指在同語言模型上擴(kuò)充詞表，而不是英文模型的中文漢化）

八、所謂的領(lǐng)域大模型會更新的越來越快，越來越多。

由于很多人&公司并沒有資源搞底座，因此需要在現(xiàn)有底座模型上進(jìn)行增量預(yù)訓(xùn)練、微調(diào)等。而以目前各廠（ChatGLM、BaiChuan、Qwen、Llama）搶占開源社區(qū)占比的架勢，感覺會有很多7B、13B級別模型開源。

請等待一言、ChatGPT開源小模型的一天，說不定GPT5出來的時(shí)候，Openai會開源個(gè)GPT3.5的小版本模型。

領(lǐng)域大模型落地的想法

一、常說通用模型的領(lǐng)域化可能是偽命題，那么領(lǐng)域大模型的通用化是否也是偽命題。

自訓(xùn)練模型開始，就一直再跟Leader Battle這個(gè)問題，領(lǐng)域大模型需不需要有通用化能力。就好比華為盤古大模型“只做事不作詩”的slogan，是不是訓(xùn)練的領(lǐng)域大模型可以解決固定的幾個(gè)任務(wù)就可以了。

個(gè)人的一些拙見是，如果想快速的將領(lǐng)域大模型落地，最簡單的是將系統(tǒng)中原有能力進(jìn)行升級，即大模型在固定的某一個(gè)或某幾個(gè)任務(wù)上的效果超過原有模型。

以Text2SQL任務(wù)舉例，之前很多系統(tǒng)中的方法是通過抽取關(guān)鍵要素&拼接方式來解決，端到端解決的并不是很理想，那么現(xiàn)在完全可以用大模型SQL生成的能力來解決。在已有產(chǎn)品上做升級，是代價(jià)最小的落地方式。就拿我司做的“云中問道”來說，在解決某領(lǐng)域某場景SQL任務(wù)上效果可以達(dá)到90%+，同比現(xiàn)有開源模型&開放API高了不少。

當(dāng)然還有很多其他任務(wù)可以升級，例如：D2QA、D2SPO、Searh2Sum等等等。

二、領(lǐng)域大模型落地，任務(wù)場景要比模型能力更重要。

雖說在有產(chǎn)品上做升級，是代價(jià)最小的落地方式，但GPT4、AutoGPT已經(jīng)把人們胃口調(diào)的很高，所有人都希望直接提出一個(gè)訴求，大模型直接解決。但這對現(xiàn)有領(lǐng)域模型是十分困難的，所以在哪些場景上來用大模型是很關(guān)鍵的，并且如何將模型進(jìn)行包裝，及時(shí)在模型能力不足的情況下，也可以讓用戶有一個(gè)很好的體驗(yàn)。

現(xiàn)在很多人的疑惑是，先不說有沒有大模型，就算有了大模型都不知道在哪里使用，在私有領(lǐng)域都找不到一個(gè)Special場景。

所以最終大模型的落地，拼的不是模型效果本身，而是一整套行業(yè)解決方案，“Know How”成為了關(guān)鍵要素。

三、大多數(shù)企業(yè)最終落地的模型規(guī)格限制在了13B。

由于國情，大多數(shù)企業(yè)最終落地的方案應(yīng)該是本地化部署，那么就會涉及硬件設(shè)備的問題。我并不絕的很有很多企業(yè)可以部署的起100B級別的模型，感覺真實(shí)部署限制在了10B級別。即使現(xiàn)在很多方法（例如：llama.cpp）可以對大模型進(jìn)行加速，但100B級別的模型就算加速了，也是龐大資源消耗。

我之前說過“沒有體驗(yàn)過33B模型的人，只會覺得13B就夠”，更大的模型一定要搞，但不影響最后落地的是10B級別。

做大模型的心路歷程

一開始ChatGPT剛剛爆火的時(shí)候，根本沒想過我們也配做大模型。但當(dāng)國內(nèi)涌現(xiàn)出了許多中文大模型，并Alpaca模型證明70億參數(shù)量的模型也有不錯(cuò)效果的時(shí)候，給了我很大的信心，當(dāng)然也給很多人和很多企業(yè)更多的信心。

在中小企業(yè)做大模型，經(jīng)常被質(zhì)問的是“沒有100張卡也可以做大模型”，我只想說需要看對“大”的定義，175B的模型確實(shí)沒有資格觸碰，但33B的模型還是可以玩耍的。真正追趕OpenAI是需要一批人，但模型落地還是需要另外一批人的。

趕上大模型是我們的幸運(yùn)，可以在領(lǐng)域大模型上發(fā)聲是我幸運(yùn)。

總結(jié)

最后共勉：BERT時(shí)代況且還在用TextCNN，難道13B的模型就不叫大模型嗎？