最流行的开源 LLM （大语言模型）整理

本文对国内外公司、科研机构等组织开源的 LLM 进行了全面的整理。

Large Language Model (LLM) 即大规模语言模型，是一种基于深度学习的自然语言处理模型，它能够学习到自然语言的语法和语义，从而可以生成人类可读的文本。

所谓"语言模型"，就是只用来处理语言文字（或者符号体系）的 AI 模型，发现其中的规律，可以根据提示 (prompt)，自动生成符合这些规律的内容。

LLM 通常基于神经网络模型，使用大规模的语料库进行训练，比如使用互联网上的海量文本数据。这些模型通常拥有数十亿到数万亿个参数，能够处理各种自然语言处理任务，如自然语言生成、文本分类、文本摘要、机器翻译、语音识别等。

 

LLaMA

由 Meta(Facebook)公司发布，是一套优秀的预训练模型，现在很多LLM都是基于此模型。
此模型的特点是参数体量小（7billion/13billion/33billion/65billion），而训练token多（1.2Trillion），并且仅使用公开可用的数据集进行训练。
参数小使得模型可用较少的资源就可以完成相关的微调和使用，从而推动了 alpaca 等模型的诞生。
各模型在“常识推理”任务中的零样本(Zero-shot)性能表现：

LLaMA ：https://github.com/facebookresearch/llama

Alpaca

斯坦福团队基于上面的 LLaMA 7B 和 Text-davinci-003 训练得来，过程如下：

可以看到， Alpaca 在 LLaMA 的基础上仅仅使用了 Self-Instruct 框架和Text-davinci-003 训练出来的 52k 数据，就训练出了处理一个优秀的模型，这里可以极大的体现出指令微调的威力（fine-tuned）。
Alpaca：https://crfm.stanford.edu/2023/03/13/alpaca.html

Self-Instruct

Self-Instruct 非常优秀，这里也专门介绍一下：它使用了几乎不需要人工标注的方法，实现了预训练语言模型与指令对齐。它很好的解决 ChatGPT 三步训练中两步需要人工参与的问题，这就大大降低了门槛。
ChatGPT 三步如下图：

这里简单介绍下Self-Instruct的过程：
1. 初始设定一个手动编写的指令任务的种子池（比如 175 个），用于指导整个生成。
2. 提示模型生成新任务的指令（取随机 8 条指令用来提示，如果有新的指令已加入池子，其中 2 条会取非初始种子池中的指令）
3. 任务分类
4. 提示模型为新任务生成指令
5. 过滤掉重复（0.7 关联度以上）和无效（包含图片等不合适的），合格的加入任务池
6. 多次重复以上过程

Self-Instruct ：《SELF-INSTRUCT: Aligning Language Model with Self Generated Instructions》https://arxiv.org/pdf/2212.10560.pdf

Vicuna

Vicuna是伯克利主导的团队训练出来的模型，基于 Alpaca 发展而来。从当前来看，可能是开源里和ChatGPT最接近（上面有提到当前在Arena 评测上分数排名第一），而 13b 版本训练成本仅 300 刀。
团队训练的数据集主要是来从自http://ShareGPT.com 上爬取用户分享的对话，并过滤掉不合适的和低质量的，最后留下了大概 70K 对话样本；然后增强了 Alpaca 提供的训练脚本，有针对性的加强了多轮对话和长序列。
下图是他们的项目过程（数据、训练、demo 服务、效果评价）：

其中效果评价部分，团队是将每个模型的输出组合成每个问题的单个提示，将提示发送到 GPT-4，由 GPT-4 评估哪个模型提供更好的响应。
下图是团队总结的几个模型的对比情况：

Mini GPT-4

由沙特大学推出的支持视觉信息的多模态 LLM，主要是基于BLIP-2+上文提到的Vicuma+一层映射层。
团队在 4 张 A100 上基于 5 百万对齐的【图片-文本对】数据训练了 10 个小时，然后团队再用模型本身和 chatgpt 结合起来去训练了 3500 对高质量的【图片-文本对】数据，然后在单 A100 上进行了 7 分钟的微调（finetuning ）。

此模型可以在线使用体验，也可以自行部署，相关数据集都已经开源，根据实操经验，在云服务上进行部署消耗并不大，主要时间花费是下载（几十 G 数据）。