使用LLM的问题

当前大模型的低成本实现方案：

语言模型 + 指令微调数据 + 微调加速
llama + alpaca_data(Fine-tuning) + lora

语言模型:

...

指令微调数据:

在一组通过指示描述的数据集上对语言模型微调，大大提高了在未见过任务上的 Zero-Shot 能力。
通过对多种任务的糅合学习 Zero-Shot 能力。

当前开源大模型的Fine-tuning（Instruction Tuning,prompt Tuning）都是针对此处进行训练。

微调加速：

解决低资源下的训练问题

在完整微调过程中，模型使用预训练好的权重来初始化模型，然后通过最大化条件语言模型来更新参数。缺点是：对于每个下游任务都需要学习不同的参数更新，如果预训练模型很大，则参数更新的成本很高。

lora：
对于预训练权重矩阵：
\(W_{0}\)∈\(R^{d × k}\)，
低秩分解为：
\(W_{0}+\Delta W=W_{0}+BA ,B∈R^{d×r},A∈R^{r×k}\)，并且秩\(r\ll min(d,k)\)
在训练过程中，\(W_{0}\)被冻结不接受梯度更新，A和B是可训练的参数。当需要转换至另一个下游任务时，可以通过减去BA来恢复\(W_{0}\)，然后添加不同的\(B^{'}A^{'}\)

问题

当前开源大模型的Fine-tuning都是针对指令微调数据进行训练，训练成本（使用lora技术能在单卡训练，7B的模型3090需要10小时左右）。

此训练只是把含有{instruction，input，output}的数据丢入训练，没有模型或技术上改变。

大模型没有之前（pre-train + fine-tuning）中fine-tuning的说法，所以如果需要技术上的改变，则需要修改语言模型，但这样需要的显存是不可计量的