揭秘最领先的Llama2中文大模型！

2023-09-03 10:09

导语

国内最大的开源社区：Llama中文社区率先完成了国内首个真正意义上的中文版Llama2-13B大模型，从模型底层实现了Llama2中文能力的大幅优化和提升。毋庸置疑，中文版Llama2一经发布开启了国内大模型新时代！

| 全球最强，但中文短板

Llama2是当前全球范围内最强的开源大模型，但其中文能力亟待提升

作为AI领域最强大的开源大模型，Llama2基于2万亿token数据预训练，并在100万人类标记数据上微调得到对话模型。在包括推理、编程、对话和知识测试等许多基准测试中效果显著优于MPT、Falcon以及第一代LLaMA等开源大语言模型，也第一次媲美商用GPT-3.5，在一众开源模型中独树一帜。

虽然Llama2的预训练数据相对于第一代扩大了一倍，但是中文预训练数据的比例依然非常少，仅占0.13%，这也导致了原版Llama2的中文能力较弱。

我们对于一些中文问题进行提问，发现大多数情况下Llama2都不能以中文回答，或者以中英文混杂的形式回答问题。因此，需要基于大规模中文数据对Llama2进行优化，使Llama2具备更好的中文能力。

为此国内顶尖高校大模型博士团队创办了Llama中文社区，开启了Llama2中文大模型训练征程。

| 最领先的Llama中文社区

Llama中文社区是国内最领先的开源大模型中文社区，Github达到 4.7k star，由清华、交大以及浙大博士团队领衔，汇聚了60+AI领域高级工程师以及各行业2000+顶级人才。

社区链接：
https://github.com/FlagAlpha/Llama2-Chinese

| 国内首个预训练中文版Llama2大模型！

不是微调！而是基于200B中文语料从头训练！

Llama中文社区是国内首个完成真正意义上的中文版13B Llama2模型：Llama2-Chinese-13B，从模型底层实现了Llama2中文能力的大幅优化和提升。

Llama2的中文化可以采用大致两种路线：

1. 基于已有的中文指令数据集，对预训练模型进行指令微调，使得基座模型能够对齐中文问答能力。这种路线的优势在于成本较低，指令微调数据量小，需要的算力资源少，能够快速实现一个中文Llama的雏形。

但缺点也显而易见，微调只能激发基座模型已有的中文能力，但由于Llama2的中文训练数据本身较少，所以能够激发的能力也有限，治标不治本，从根本上增强Llama2模型的中文能力还是需要从预训练做起。

2. 基于大规模中文语料进行预训练。这种路线的缺点在于成本高！不仅需要大规模高质量的中文数据，也需要大规模的算力资源。但是优点也显而易见，就是能从模型底层优化中文能力，真正达到治本的效果，从内核为大模型注入强大的中文能力！

为了从内核实现一个彻底的中文大模型，我们选择了第二条路线！我们汇集了一批高质量的中文语料数据集，从预训练开始优化Llama2大模型。部分预训练数据数据如下：

类型	描述
网络数据	互联网上公开的网络数据，挑选出去重后的高质量中文数据，涉及到百科、书籍、博客、新闻、公告、小说等高质量长文本数据
Wikipedia	中文Wikipedia的数据
悟道	中文悟道开源的200G数据
Clue	Clue开放的中文预训练数据，进行清洗后的高质量中文长文本数据
竞赛数据集	近年来中文自然语言处理多任务竞赛数据集，约150个
MNBVC	MNBVC 中清洗出来的部分数据集

首期 Llama2-Chinese-13B 模型的预训练数据包含 200B token，未来，我们将持续不断地迭代更新 Llama2-Chinese，逐步将预训练数据提升到1T token。除此以外，我们也将逐步开放70B模型的中文预训练版本，敬请期待！

我们从通用知识、语言理解、创作能力、逻辑推理、代码编程、工作技能等不同方面提问大模型，得到了令人满意的效果！

部分效果展示如下：

通用知识

语言理解

创作能力

逻辑推理

代码编程

工作技能

🏅Llama中文社区领航计划🏅

着眼于社区的长远发展与快速迭代，一方面为每一个有热情有志向投入到大模型浪潮中的AI爱好者提供专业的技术服务，另一方面，让每一个社区的参与者都能在极速发展的AI时代抢先领跑，获取各方面的资源对接，我们限时推出首期Llama中文社区领航计划！领航计划的每一位成员将获得以下

“7TOP” 权益：

1、模型TOP

加入可获取国内首个预训练中文版Llama2-Chinese-13B模型使用权（非微调版本），并且在未来，我们将持续基于更大规模的数据，不断增强模型内核的中文能力，也将优先为领航计划的每位成员提供最领先的模型版本。

2、技术TOP

国内顶尖高校博士团队领衔，最专业的大模型技术团队。无论是最前沿的技术问题还是深入的理论剖析，我们都将为您提供最前沿的解决方案。

3、服务TOP

在领航计划中，您将获得个性化的1V1指导，无论何时何地，只要您有疑问，我们将及时解答。我们致力于提供全方位的支持，帮助你快速实现Llama2大模型应用，确保您顺利实现技术突破。您的企业遇到大模型相关问题我们也会帮您分析解决。

4、教学TOP

理论与实战相结合的教学模式，将带您领略大模型的奥秘。从大模型的技术剖析到关键算法和论文讲解，从零开始搭建私有化大模型，再到行业大模型的训练，我们将手把手教您一步步实现技术进阶。课程大纲如下：

5、资源TOP

我们有国内最大的Llama中文社区，Github达到 4.7k star，汇聚了2000+顶级人才。在这里，您将与AI投资人、企业家CEO、各行业领军人物相互交流，寻求合作、投资、推广、招聘等一站式服务。找工作/合伙人/投资/销售产品，都可以满足你的需求。这里是技术人才互通有无的黄金平台，您可以找到各行各业的顶尖专家，共同交流与探讨。