近日，虎博科技滿懷誠意地發(fā)布TigerBot V2，涉及基座模型、chat模型、產(chǎn)品升級、 TigerBot-API升級等多個方面的更新。此次，虎博科技將同步共享TigerBot發(fā)布的具體內(nèi)容和訓(xùn)練過程中的一些科學(xué)和工程的探索結(jié)果，與大模型開發(fā)者們一同推動AIGC的繁榮。
如想率先體驗(yàn)虎博科技TigerBot的新版本，可通過以下地址前往：
TigerBot demo 在線體驗(yàn):https://tigerbot.com/chat
Github 項(xiàng)目: https://github.com/Tigerye/TigerBot
更新一：基座模型經(jīng)評測已超部分主流開源模型近30%
虎博科技的TigerBot-7b-base-v2(基座模型)在1.5TB多語言數(shù)據(jù)上充分訓(xùn)練，千卡耗時一個月，投入算力成本約300萬，在OpenAI采用的公開NLP 7項(xiàng)任務(wù)評測中，超過同等LLaMA、Bloom等主流開源模型達(dá)15%-30%?；⒉┛萍紙F(tuán)隊(duì)認(rèn)為，TigerBot的base-v2是業(yè)內(nèi)同等大小模型里能力最強(qiáng)的base model之一，適合各領(lǐng)域開發(fā)者以此為基礎(chǔ)繼續(xù)預(yù)訓(xùn)練或者監(jiān)督微調(diào)。
圖1: 虎博科技TigerBot-7b-base-v2在public NLP 7 tasks evaluation performance
圖2: 虎博科技TigerBot-7b-base-v2預(yù)訓(xùn)練數(shù)據(jù)分布
圖3: 虎博科技TigerBot-7b-base-v2預(yù)訓(xùn)練loss收斂曲線
更新二：chat模型經(jīng)9項(xiàng)公開語料測評，效果提升 9.3%
使用虎博科技TigerBot-7b-base-v2 經(jīng)過有監(jiān)督微調(diào)的chat model，在2000萬(20G) 高質(zhì)量清洗和配比的微調(diào)指令數(shù)據(jù)集上充分訓(xùn)練，在9項(xiàng)公開語料next-token prediction accuracy測評上優(yōu)于TigerBot-7b-sft-v1版本9.3%，loss drop by 35%?；⒉┛萍紙F(tuán)隊(duì)認(rèn)為，TigerBot-7b-sft-v2是業(yè)內(nèi)同等大小模型里能力最強(qiáng)的chat model之一，適合各領(lǐng)域應(yīng)用開發(fā)者以此為基礎(chǔ)開發(fā)問答、摘要、生成等任務(wù)的應(yīng)用。
圖4: 虎博科技TigerBot-7b-sft-v2在public NLP 9 tasks evaluation performance
圖5：虎博科技TigerBot-7b-sft-v2訓(xùn)練數(shù)據(jù)分布
圖6: 虎博科技TigerBot-7b-sft-v2訓(xùn)練loss收斂曲線
TigerBot-7b-sft-v2的chat樣例如下所示：
圖7: 虎博科技TigerBot chat展示
更新三：產(chǎn)品升級——搜索模式和流式生成提升體驗(yàn)感
產(chǎn)品方面，因新版開啟了搜索模式和流式生成，使用虎博科技的TigerBot產(chǎn)品也有了新的體驗(yàn)?；⒉┛萍冀Y(jié)合了互聯(lián)網(wǎng)搜索和工具(如天氣，股價(jià)，計(jì)算器等)，打開了LLM+Search的應(yīng)用場景，適合有實(shí)時信息查詢需求的應(yīng)用。同時開放的chat-api也支持搜索和流式模式的開關(guān)，如下圖所示：
圖8: 虎博科技TigerBot搜索模式頁面示例
更新四：TigerBot-API升級，更多調(diào)用選擇
虎博科技全面升級TigerBot-API，讓使用者有了更多工具選擇?；⒉┛萍奸_放出LLM應(yīng)用開發(fā)常用的工具，通過簡單的API調(diào)用即可快速實(shí)現(xiàn)相關(guān)應(yīng)用。API包括LLM下的chat, plugin, finetune, Text下的embedding, summarization, pdf2text, Visio下的text2image。API使用示例如下展示：
圖9: 虎博科技TigerBot-API示例展示
TigerBot V2訓(xùn)練中的科學(xué)與工程探索
1. data quality or data volume ?
虎博科技創(chuàng)始人陳燁始終堅(jiān)信數(shù)據(jù)的質(zhì)量比數(shù)據(jù)的數(shù)量更重要，尤其是中文網(wǎng)絡(luò)數(shù)據(jù)，TigerBot模型是在v1基礎(chǔ)上繼續(xù)預(yù)訓(xùn)練?；⒉┛萍紙F(tuán)隊(duì)通過實(shí)驗(yàn)發(fā)現(xiàn)，模型本身有很強(qiáng)的學(xué)習(xí)和記憶能力，少到數(shù)十條低質(zhì)量的數(shù)據(jù)就會讓模型學(xué)到，導(dǎo)致不理想的回答風(fēng)格。這里的低質(zhì)量數(shù)據(jù)包括：網(wǎng)絡(luò)口語詞、社區(qū)論壇等的jargon、敏感和有害的內(nèi)容(harmness)、廣告類、格式不規(guī)范的內(nèi)容?；⒉┛萍紙F(tuán)隊(duì)通過規(guī)則和模型過濾掉～10%的低質(zhì)量數(shù)據(jù)。其中針對敏感、涉黃、不符合主流價(jià)值觀的內(nèi)容，虎博團(tuán)隊(duì)選擇用三個SOTA內(nèi)容審核模型ensemble來過濾。
虎博科技團(tuán)隊(duì)采用以下步驟和算法清洗數(shù)據(jù)，以在O(n^2)的復(fù)雜度下獲得高質(zhì)量數(shù)據(jù)：
(1)先用規(guī)則去掉雜亂數(shù)據(jù)，例如instruction全是標(biāo)點(diǎn)符號或者數(shù)字的，
(2)然后使用exact string match去重，
(3)再用sequence simhash + longest common substring去重，
(4)去重后利用SOTA審核模型去掉謾罵色情涉政的數(shù)據(jù)。
2. more epoch or more data ?
在高質(zhì)量數(shù)據(jù)的基礎(chǔ)上，模型的學(xué)習(xí)能力使得1-2epoch就能概率上學(xué)到數(shù)據(jù)中的知識和指令，所以虎博科技團(tuán)隊(duì)把有限的算力讓模型去學(xué)習(xí)更多更豐富的知識和任務(wù)類型。在虎博科技團(tuán)隊(duì)的大部分實(shí)驗(yàn)中，模型的training loss在一個epoch后就收斂到最終的水平，eval loss會在2-3個epoch后增長即overfitting。這個觀察也在bloom最初的預(yù)訓(xùn)練中得到印證，bigscience團(tuán)隊(duì)也是預(yù)訓(xùn)練了一個epoch后拿到模型。
3. eval loss or more data ?
在public NLP data上的自動評測是快速實(shí)驗(yàn)的基礎(chǔ)，但自動評測多數(shù)是contextual QA task，即有上下文的情況下，評測模型的總結(jié)抽取等能力，和最終用戶體感是有差異的。所以虎博科技團(tuán)隊(duì)首先在7項(xiàng)(預(yù)訓(xùn)練)和9項(xiàng)(監(jiān)督微調(diào))的public NLP benchmark上自動評測，以保證模型的綜合能力(知識深度)，然后從自動評測最高的三個模型中選擇看過最多訓(xùn)練數(shù)據(jù)的模型(知識廣度)。
4. important hyperparameters
虎博科技團(tuán)隊(duì)通過大量實(shí)驗(yàn)，發(fā)現(xiàn)重要的訓(xùn)練參數(shù)包括：learning rate (LR), (global) batch size, adam regularizers (alpha, beta)。最優(yōu)的參數(shù)沒有理論結(jié)果，也是數(shù)據(jù)和基座模型的函數(shù)?；⒉┛萍紙F(tuán)隊(duì)先用較小的training/eval dataset上(e.g., 1% random sample)，快速geometric search找到超參的范圍;然后在全集training/eval dataset上geometric search到最佳超參。百億量級的模型的監(jiān)督微調(diào)在綜合任務(wù)數(shù)據(jù)集上的best-practice global batch是512-2048，LR是1e-5 - 2e-5，warmup fixed LR;而千億參數(shù)模型訓(xùn)練在2epoch之后會有l(wèi)oss explosion現(xiàn)象，所以虎博團(tuán)隊(duì)配合adam regularizer (beta2=0.95), 和warmup cosine LR schedule。
5. self-evoluation
虎博科技團(tuán)隊(duì)在預(yù)訓(xùn)練數(shù)據(jù)中混合入10%的監(jiān)督微調(diào)數(shù)據(jù)，用非監(jiān)督的格式。背后的直覺是預(yù)訓(xùn)練讓模型專注基礎(chǔ)知識p(t_n | t_n-1…)，監(jiān)督學(xué)習(xí)讓模型專注指令完成p(response | instruction)。在sft的訓(xùn)練過程中，大部分的gradient會指向完成指令的方向，因?yàn)閿?shù)據(jù)中的基礎(chǔ)知識已經(jīng)在預(yù)訓(xùn)練中學(xué)習(xí)過。這就是虎博科技團(tuán)隊(duì)讓模型自我進(jìn)化的思想(self-evoluation)，這和人類循序漸進(jìn)的學(xué)習(xí)知識一個原理;比如，NLP的學(xué)生總是先學(xué)好各種概率分布，然后再學(xué)習(xí)在各種任務(wù)數(shù)據(jù)中的應(yīng)用，打好基礎(chǔ)，事半功倍。
6. generation configs
在測評和上線模型的過程中，虎博科技團(tuán)隊(duì)發(fā)現(xiàn)是否使用解碼cache (config.json, generation_config.json in model checkpoint folder) 對生成結(jié)果的一致性和性能有影響(輸入輸出token數(shù)分別為1024和100的情況下，使用cache的模型qps值約是不使用的7.7倍)。
虎博的模型基于decoder架構(gòu)，可以緩存生成過程中每個attention計(jì)算使用的key/value投影結(jié)果，只增量計(jì)算每個新token與歷史token的attention，從而將生成每個token時的softmax計(jì)算復(fù)雜度由O(n*n)降低為O(n*1)。但是否使用cache，會導(dǎo)致是否有額外的mask value參與softmax計(jì)算，因此在不同的硬件環(huán)境和不同計(jì)算精度下，cache可能會導(dǎo)致生成結(jié)果的微小差異?；⒉┛萍紙F(tuán)隊(duì)在自動評測中確定use_cache=true or false，測評結(jié)果一致，因此chat web和api都設(shè)置為use_cache=true，以保證響應(yīng)最快的用戶體驗(yàn)。
圖10: use_cache vs. response time
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
